論文の概要: Land Cover Semantic Segmentation Using ResUNet
- arxiv url: http://arxiv.org/abs/2010.06285v1
- Date: Tue, 13 Oct 2020 10:56:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 23:02:38.665871
- Title: Land Cover Semantic Segmentation Using ResUNet
- Title（参考訳）: resunetを用いた土地被覆意味セグメンテーション
- Authors: Vasilis Pollatos, Loukas Kouvaras and Eleni Charou
- Abstract要約: 本稿では,土地被覆分類のための自動システムの開発について述べる。
本システムは、入力として領域のマルチバンド衛星画像を取得し、入力と同じ解像度で領域のランドカバーマップを出力する。
この目的のために、衛星画像の土地被覆セマンティックセグメンテーションを予測するために、畳み込み機械学習モデルを訓練した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we present our work on developing an automated system for land
cover classification. This system takes a multiband satellite image of an area
as input and outputs the land cover map of the area at the same resolution as
the input. For this purpose convolutional machine learning models were trained
in the task of predicting the land cover semantic segmentation of satellite
images. This is a case of supervised learning. The land cover label data were
taken from the CORINE Land Cover inventory and the satellite images were taken
from the Copernicus hub. As for the model, U-Net architecture variations were
applied. Our area of interest are the Ionian islands (Greece). We created a
dataset from scratch covering this particular area. In addition, transfer
learning from the BigEarthNet dataset [1] was performed. In [1] simple
classification of satellite images into the classes of CLC is performed but not
segmentation as we do. However, their models have been trained into a dataset
much bigger than ours, so we applied transfer learning using their pretrained
models as the first part of out network, utilizing the ability these networks
have developed to extract useful features from the satellite images (we
transferred a pretrained ResNet50 into a U-Res-Net). Apart from transfer
learning other techniques were applied in order to overcome the limitations set
by the small size of our area of interest. We used data augmentation (cutting
images into overlapping patches, applying random transformations such as
rotations and flips) and cross validation. The results are tested on the 3 CLC
class hierarchy levels and a comparative study is made on the results of
different approaches.
- Abstract（参考訳）: 本稿では,土地被覆分類のための自動システムの開発について述べる。
本システムは、入力として領域のマルチバンド衛星画像を取得し、入力と同じ解像度で領域のランドカバーマップを出力する。
この目的のために,衛星画像の土地被覆意味セグメンテーション予測タスクにおいて畳み込み機械学習モデルを訓練した。
これは教師付き学習の例です。
ランドカバーラベルデータはCORINEランドカバーの在庫から取得され、衛星画像はCopernicusハブから取得された。
モデルについては、U-Netアーキテクチャのバリエーションを適用した。
我々の興味のある地域はイオニア諸島(ギリシャ)である。
この領域をカバーするデータセットをスクラッチから作成しました。
さらに、BigEarthNetデータセット[1]からの転送学習が行われた。
[1] では、衛星画像を CLC のクラスに分類するが、私たちがしているようなセグメンテーションは行わない。
しかし、これらのモデルは我々のものよりもはるかに大きなデータセットに訓練されているため、これらのネットワークが衛星画像から有用な特徴を抽出する能力を利用して、事前訓練されたモデルを用いて転送学習を適用した(事前訓練されたResNet50をU-Res-Netに転送した)。
転送学習とは別に、関心領域の小さなサイズによって設定された制限を克服するために、他のテクニックが適用された。
データ拡張(画像の重複パッチへのカット、回転やフリップなどのランダムな変換)とクロスバリデーションを用いた。
結果は3つのCLCクラス階層レベルで検証され、異なるアプローチの結果について比較研究が行なわれた。
関連論文リスト
- SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - CSP: Self-Supervised Contrastive Spatial Pre-Training for
Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。
デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。
CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文 参考訳（メタデータ） (2023-05-01T23:11:18Z) - Minimum Class Confusion based Transfer for Land Cover Segmentation in
Rural and Urban Regions [0.0]
本研究では,移動学習手法を用いて土地被覆地図の作成を可能にするセマンティックセグメンテーション手法を提案する。
低解像度画像で訓練されたモデルと、対象領域やズームレベルの不十分なデータを比較した。
都市部における移動学習のセグメンテーション性能は,農村部では3.4%,都市部では12.9%であった。
論文 参考訳（メタデータ） (2022-12-05T09:41:06Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-02T07:50:50Z) - An Efficient Method for the Classification of Croplands in Scarce-Label
Regions [0.0]
衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。
ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。
自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
論文 参考訳（メタデータ） (2021-03-17T12:10:11Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳（メタデータ） (2020-09-08T07:29:05Z) - Very High Resolution Land Cover Mapping of Urban Areas at Global Scale
with Convolutional Neural Networks [0.0]
本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。
データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。
最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
論文 参考訳（メタデータ） (2020-05-12T10:03:20Z) - Segmentation of Satellite Imagery using U-Net Models for Land Cover
Classification [2.28438857884398]
本稿では,衛星画像に基づく土地被覆分類マップを作成するために,U-Net構造を改良した畳み込み機械学習モデルを用いた。
本研究の目的は、自動土地被覆マッピングのための畳み込みモデルの訓練と試験を行い、土地被覆マッピングの精度向上と変更検出における使用性を評価することである。
論文 参考訳（メタデータ） (2020-03-05T20:07:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。