論文の概要: ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep
Learning on Satellite Imagery
- arxiv url: http://arxiv.org/abs/2011.05479v1
- Date: Wed, 11 Nov 2020 00:28:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:50:53.595594
- Title: ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep
Learning on Satellite Imagery
- Title（参考訳）: forestnet:衛星画像を用いた深層学習によるインドネシアの森林破壊のドライバ分類
- Authors: Jeremy Irvin, Hao Sheng, Neel Ramachandran, Sonja Johnson-Yu, Sharon
Zhou, Kyle Story, Rose Rustowicz, Cooper Elsworth, Kemen Austin, Andrew Y. Ng
- Abstract要約: インドネシアにおける森林被害の要因を分類するために,フォレストネットと呼ばれる深層学習モデルを開発した。
衛星画像を用いて、フォレストネットはどんな大きさの森林損失パッチでも森林破壊の直接の要因を特定する。
- 参考スコア（独自算出の注目度）: 10.924137779582814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Characterizing the processes leading to deforestation is critical to the
development and implementation of targeted forest conservation and management
policies. In this work, we develop a deep learning model called ForestNet to
classify the drivers of primary forest loss in Indonesia, a country with one of
the highest deforestation rates in the world. Using satellite imagery,
ForestNet identifies the direct drivers of deforestation in forest loss patches
of any size. We curate a dataset of Landsat 8 satellite images of known forest
loss events paired with driver annotations from expert interpreters. We use the
dataset to train and validate the models and demonstrate that ForestNet
substantially outperforms other standard driver classification approaches. In
order to support future research on automated approaches to deforestation
driver classification, the dataset curated in this study is publicly available
at https://stanfordmlgroup.github.io/projects/forestnet .
- Abstract（参考訳）: 森林破壊につながる過程を特徴付けることは、森林保全・管理政策の策定と実施に不可欠である。
本研究では,インドネシアにおいて森林破壊率の高い国である森林破壊の要因を分類する,フォレストネットと呼ばれる深層学習モデルを開発した。
衛星画像を用いて、フォレストネットはどんな大きさの森林損失パッチでも森林破壊の直接の要因を特定する。
我々は、専門通訳のドライバアノテーションと組み合わせて、既知の森林損失イベントのランドサット8衛星画像のデータセットをキュレートする。
このデータセットを使用してモデルをトレーニングし、検証し、ForestNetが他の標準ドライバ分類アプローチを大幅に上回っていることを示す。
森林破壊ドライバー分類の自動化手法に関する今後の研究を支援するため,本研究で収集したデータセットはhttps://stanfordmlgroup.github.io/projects/forestnetで公開されている。
関連論文リスト
- NeRF-Accelerated Ecological Monitoring in Mixed-Evergreen Redwood Forest [0.0]
混合常緑樹林における幹径推定を目的としたMLSとNeRF林の復元の比較を行った。
凸ハルモデルを用いた改良DBH推定法を提案する。
論文 参考訳（メタデータ） (2024-10-09T20:32:15Z) - Deep Learning tools to support deforestation monitoring in the Ivory Coast using SAR and Optical satellite imagery [0.0]
衛星は森林の消失を認識し、関心領域の拡大を防ぐために使用できる。
フォレスト・ノン・フォレスト・マップ (FNF) はセンチネル画像入力モデルの基礎的真理として用いられている。
森林と非森林を分類するモデルは、森林破壊の起こりうる場所を予測するためにオープンデータセットを使用して、この地域の森林と非森林のピクセルを分類する。
論文 参考訳（メタデータ） (2024-09-16T14:26:41Z) - ForensicsForest Family: A Series of Multi-scale Hierarchical Cascade Forests for Detecting GAN-generated Faces [53.739014757621376]
我々は,GAN生成顔を検出するために,EmforensicsForest Familyと呼ばれる簡易かつ効果的な森林法について述べる。
ForenscisForestは、新しく提案された多層階層のカスケード林である。
Hybrid ForensicsForestはCNNレイヤをモデルに統合する。
Divide-and-Conquer ForensicsForestは、トレーニングサンプリングの一部のみを使用して、森林モデルを構築することができる。
論文 参考訳（メタデータ） (2023-08-02T06:41:19Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳（メタデータ） (2023-04-22T22:39:03Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳（メタデータ） (2022-08-23T16:04:12Z) - Multimodal SuperCon: Classifier for Drivers of Deforestation in
Indonesia [0.0]
インドネシアの森林破壊の要因をランドサット8号から取得した衛星画像を用いて分類する,マルチモーダル・スーパーコン(Multimodal SuperCon)と呼ばれる対照的な学習アーキテクチャを提案する。
提案モデルでは, 運転者分類における従来の作業よりも精度が7%向上し, 同一タスクに対する最先端の回転同変モデルよりも精度が向上した。
論文 参考訳（メタデータ） (2022-07-29T13:03:31Z) - Texture based Prototypical Network for Few-Shot Semantic Segmentation of
Forest Cover: Generalizing for Different Geographical Regions [0.0]
提案手法は,南アジアの熱帯林を同定し,中央ヨーロッパの温帯林を決定するために適応する。
1-way 1-shot) の森林群に対する0.62のIoUを提案手法を用いて取得し, 従来の少数ショットセマンティックセグメンテーション手法よりも有意に高い値(PANetは0.46)を示した。
論文 参考訳（メタデータ） (2022-03-29T15:48:17Z) - Country-wide Retrieval of Forest Structure From Optical and SAR
Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。
本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。
ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
論文 参考訳（メタデータ） (2021-11-25T16:21:28Z) - Growing Deep Forests Efficiently with Soft Routing and Learned
Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。
我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。
MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文 参考訳（メタデータ） (2020-12-29T18:05:05Z) - Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution
Satellite Imagery [59.32805936205217]
牛の農業は世界の温室効果ガス排出量の8.8%を占めている。
40cmの解像度でアマゾンの衛星画像を取得し、合計28498頭の牛を含む903枚の画像のデータセットをまとめた。
本実験は,有望な結果を示し,これらの課題を解決するためのアルゴリズムとデータ収集プロセスのいずれにおいても,次のステップの重要方向を示すものである。
論文 参考訳（メタデータ） (2020-11-14T19:07:39Z)
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。