Fugu-MT 論文翻訳(概要): LandCoverNet: A global benchmark land cover classification training dataset

論文の概要: LandCoverNet: A global benchmark land cover classification training dataset

arxiv url: http://arxiv.org/abs/2012.03111v1
Date: Sat, 5 Dec 2020 19:48:57 GMT
ステータス: 処理完了
システム内更新日: 2021-05-22 13:43:22.156877
Title: LandCoverNet: A global benchmark land cover classification training dataset
Title（参考訳）: LandCoverNet: グローバルベンチマークによる土地被覆分類トレーニングデータセット
Authors: Hamed Alemohammad, Kevin Booth
Abstract要約: LandCoverNetは、10m空間分解能でのSentinel-2観測に基づく土地被覆分類のためのグローバルトレーニングデータセットである。ランドカバークラスラベルは、Sentinel-2の年次時系列に基づいて定義され、3人のアノテータ間のコンセンサスによって検証される。
参考スコア（独自算出の注目度）: 3.04585143845864
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Regularly updated and accurate land cover maps are essential for monitoring 14 of the 17 Sustainable Development Goals. Multispectral satellite imagery provide high-quality and valuable information at global scale that can be used to develop land cover classification models. However, such a global application requires a geographically diverse training dataset. Here, we present LandCoverNet, a global training dataset for land cover classification based on Sentinel-2 observations at 10m spatial resolution. Land cover class labels are defined based on annual time-series of Sentinel-2, and verified by consensus among three human annotators.
Abstract（参考訳）: 17の持続可能な開発目標のうち14の監視には、定期的に更新され正確な土地被覆マップが不可欠である。マルチスペクトル衛星画像は、地球規模で高品質で貴重な情報を提供し、土地被覆分類モデルの開発に使用できる。しかし、このようなグローバルアプリケーションは地理的に多様なトレーニングデータセットを必要とする。ここでは10m空間分解能でのSentinel-2観測に基づく土地被覆分類のためのグローバルトレーニングデータセットであるLandCoverNetを提案する。土地被覆クラスラベルは、センチネル-2の年次時系列に基づいて定義され、3人のアノテータ間のコンセンサスによって検証される。

関連論文リスト

Global High Categorical Resolution Land Cover Mapping via Weak Supervision [19.52604717907002]
我々は、弱教師付きドメイン適応(WSDA)のために、完全ラベル付きソースドメインと弱ラベル付きターゲットドメインを組み合わせることを提案する。粗いラベルと粗いラベルを使用することで、精密かつ詳細な土地被覆アノテーションに必要な労力を大幅に軽減できるため、これは有益である。我々は,PlanetScope,Gaofen-1,Sentinel-2の衛星画像を用いて,世界中の10都市を対象とした高分類分解能土地被覆マッピングを行った。
論文参考訳（メタデータ） (2024-06-02T23:18:12Z)
The Canadian Cropland Dataset: A New Land Cover Dataset for Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
論文参考訳（メタデータ） (2023-05-31T18:40:15Z)
GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。まず,地理的適応のための大規模データセットGeoNetを紹介する。第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文参考訳（メタデータ） (2023-03-27T17:59:34Z)
Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび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ベンチマークを探索するために設計された。
論文参考訳（メタデータ） (2023-02-16T13:41:19Z)
Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文参考訳（メタデータ） (2023-01-04T05:19:33Z)
Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文参考訳（メタデータ） (2022-04-14T15:41:39Z)
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)
Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文参考訳（メタデータ） (2022-01-26T14:58:51Z)
Attention-augmented Spatio-Temporal Segmentation for Land Cover Mapping [9.992909929182202]
衛星データの空間的および時間的性質を共同利用するために、UNet構造と双方向LSTMおよび注意メカニズムを組み込んだ新しいアーキテクチャを紹介します。世界中の複数地域で作物をマッピングする手法の評価を行った。
論文参考訳（メタデータ） (2021-05-02T05:39:42Z)
A hierarchical deep learning framework for the consistent classification of land use objects in geospatial databases [8.703408520845645]
本稿では,土地利用情報を検証するための階層的ディープラーニングフレームワークを提案する。複数レベルの土地利用を階層的に同時に予測することを目的とした新しいCNN方式を提案する。実験によると、CNNはJOに依存しており、全体の精度は92.5%まで向上している。
論文参考訳（メタデータ） (2021-04-14T17:16:35Z)
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。