論文の概要: Semi-Supervised Semantic Segmentation in Earth Observation: The
MiniFrance Suite, Dataset Analysis and Multi-task Network Study
- arxiv url: http://arxiv.org/abs/2010.07830v1
- Date: Thu, 15 Oct 2020 15:36:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 04:18:16.154132
- Title: Semi-Supervised Semantic Segmentation in Earth Observation: The
MiniFrance Suite, Dataset Analysis and Multi-task Network Study
- Title（参考訳）: 地球観測における半監督セマンティックセマンティックセグメンテーション:MiniFrance Suite,データセット解析,マルチタスクネットワーク研究
- Authors: Javiera Castillo-Navarro, Bertrand Le Saux, Alexandre Boulch, Nicolas
Audebert and S\'ebastien Lef\`evre
- Abstract要約: 我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。
MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。
外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
- 参考スコア（独自算出の注目度）: 82.02173199363571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of semi-supervised learning techniques is essential to
enhance the generalization capacities of machine learning algorithms. Indeed,
raw image data are abundant while labels are scarce, therefore it is crucial to
leverage unlabeled inputs to build better models. The availability of large
databases have been key for the development of learning algorithms with high
level performance.
Despite the major role of machine learning in Earth Observation to derive
products such as land cover maps, datasets in the field are still limited,
either because of modest surface coverage, lack of variety of scenes or
restricted classes to identify. We introduce a novel large-scale dataset for
semi-supervised semantic segmentation in Earth Observation, the MiniFrance
suite. MiniFrance has several unprecedented properties: it is large-scale,
containing over 2000 very high resolution aerial images, accounting for more
than 200 billions samples (pixels); it is varied, covering 16 conurbations in
France, with various climates, different landscapes, and urban as well as
countryside scenes; and it is challenging, considering land use classes with
high-level semantics. Nevertheless, the most distinctive quality of MiniFrance
is being the only dataset in the field especially designed for semi-supervised
learning: it contains labeled and unlabeled images in its training partition,
which reproduces a life-like scenario. Along with this dataset, we present
tools for data representativeness analysis in terms of appearance similarity
and a thorough study of MiniFrance data, demonstrating that it is suitable for
learning and generalizes well in a semi-supervised setting. Finally, we present
semi-supervised deep architectures based on multi-task learning and the first
experiments on MiniFrance.
- Abstract（参考訳）: 半教師付き学習技術の開発は、機械学習アルゴリズムの一般化能力を高めるために不可欠である。
実際、生の画像データはラベルが乏しい間は豊富であり、ラベルのない入力を利用してより良いモデルを構築することが重要である。
大規模データベースの可用性は、ハイレベルなパフォーマンスを持つ学習アルゴリズムの開発に鍵を握っている。
地球観測における機械学習の主な役割は、土地被覆地図などの製品を導出することにあるが、現場のデータセットは、穏やかな表面積、様々な場面の欠如、特定するための制限されたクラスがあるため、まだ限られている。
本稿では,地球観測における半教師付き意味セグメンテーションのための新しい大規模データセット,minifrance suiteを提案する。
ミニフランは、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を計上し、様々な気候、異なる風景、都市、および田舎の風景を含むフランスの16の地域をカバーし、高レベルのセマンティクスを持つ土地利用の授業を考えると困難である。
しかし、MiniFranceの最も特徴的な品質は、特に半教師付き学習のために設計されたフィールドで唯一のデータセットであり、トレーニングパーティションにラベル付きおよびラベルなしの画像が含まれており、ライフライクなシナリオを再現している。
このデータセットとともに、外観類似性およびMiniFranceデータの徹底的な研究の観点からデータ代表性分析のためのツールを提案し、半教師付き環境での学習や一般化に適していることを示す。
最後に,マルチタスク学習に基づく半教師付きディープアーキテクチャと,minifranceに関する最初の実験について述べる。
関連論文リスト
- FRACTAL: An Ultra-Large-Scale Aerial Lidar Dataset for 3D Semantic Segmentation of Diverse Landscapes [0.0]
我々は、TArgeted Landscapes (FRACTAL) データセットからFRench ALS Cloudsを提示する。
超大型のLidarデータセットで、7つのセマンティッククラスのための高品質なラベルを持つ10万個の高密度の雲で構成されている。
希少なクラスや挑戦的な風景を明示的に集中するサンプリングスキームによって空間的・意味的な多様性を実現する。
論文 参考訳（メタデータ） (2024-05-07T19:37:22Z) - 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) - Biological Valuation Map of Flanders: A Sentinel-2 Imagery Analysis [12.025312586542318]
我々は、センチネル2衛星画像と組み合わせたフランダースの高密度なラベル付き地上真理マップを提示する。
提案手法は,地形図のレイアウトである「Kaartbladversnijdingen」と,詳細なセマンティックセグメンテーションモデルトレーニングパイプラインを利用する,形式化されたデータセット分割とサンプリング手法を含む。
論文 参考訳（メタデータ） (2024-01-26T22:21:39Z) - Toulouse Hyperspectral Data Set: a benchmark data set to assess semi-supervised spectral representation learning and pixel-wise classification techniques [0.6384650391969042]
本稿では,大規模ハイパースペクトル画像に対するスペクトル表現学習と分類において重要な課題に対処するToulouse Hyperspectral Data Setについて述べる。
我々は,Masked Autoencoderを含むスペクトル表現学習のための自己指導的手法を議論し,また,総合精度85%,F1スコア77%を達成できる画素単位の分類基準を確立する。
論文 参考訳（メタデータ） (2023-11-15T10:49:15Z) - Learning crop type mapping from regional label proportions in
large-scale SAR and optical imagery [9.303156731091532]
本研究は,作物ラベルの比率を事前に用いたオンラインディープクラスタリング手法を提案し,サンプルレベル分類器を学習する。
ブラジルの2つの異なる農業地域から得られた2つの大きなデータセットを用いて,本手法の評価を行った。
論文 参考訳（メタデータ） (2022-08-24T15:23:26Z) - Streaming Self-Training via Domain-Agnostic Unlabeled Images [62.57647373581592]
視覚認識モデル学習の過程を民主化することを目的としたストリーミング自己学習(SST)を提案する。
SSTの鍵となるのは、(1)ドメインに依存しない未ラベル画像により、追加の知識や監督なしにいくつかのラベル付き例でより良いモデルを学ぶことができ、(2)学習は継続的なプロセスであり、学習更新のスケジュールを構築することで行うことができる。
論文 参考訳（メタデータ） (2021-04-07T17:58:39Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - Unravelling Small Sample Size Problems in the Deep Learning World [69.82853912238173]
筆者らはまず,アルゴリズムが動作空間に応じて分離される小さなサンプルサイズ問題に対するディープラーニングアルゴリズムのレビューを行う。
第2に,特徴マップの最も識別性の高い部分からグローバル情報を抽出することに焦点を当てた動的注意プーリング手法を提案する。
論文 参考訳（メタデータ） (2020-08-08T13:35:49Z) - Naive-Student: Leveraging Semi-Supervised Learning in Video Sequences
for Urban Scene Segmentation [57.68890534164427]
本研究では,未ラベル映像シーケンスと追加画像の半教師付き学習を利用して,都市景観セグメンテーションの性能を向上させることができるかどうかを問う。
我々は単にラベルのないデータに対して擬似ラベルを予測し、人間の注釈付きデータと擬似ラベル付きデータの両方でその後のモデルを訓練する。
我々のNaive-Studentモデルは、このような単純で効果的な反復的半教師付き学習で訓練され、3つのCityscapesベンチマークで最先端の結果を得る。
論文 参考訳（メタデータ） (2020-05-20T18:00:05Z) - 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)
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。