論文の概要: Scale Aware Adaptation for Land-Cover Classification in Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2012.04222v1
• Date: Tue, 8 Dec 2020 05:15:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 09:59:31.709175
• Title: Scale Aware Adaptation for Land-Cover Classification in Remote Sensing Imagery
• Title（参考訳）: リモートセンシング画像における土地被覆分類のためのスケールアウェア適応
• Authors: Xueqing Deng, Yi Zhu, Yuxin Tian and Shawn Newsam
• Abstract要約: リモートセンシング画像を用いた土地被覆分類は重要な地球観測課題である。 リモートセンシングイメージでディープセグメンテーションモデルをトレーニングするためのベンチマークデータセットは小さい傾向がある。 クロスロケーションおよびクロススケールの土地被覆分類を行うためのスケール認識型対人学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.793219747021116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Land-cover classification using remote sensing imagery is an important Earth observation task. Recently, land cover classification has benefited from the development of fully connected neural networks for semantic segmentation. The benchmark datasets available for training deep segmentation models in remote sensing imagery tend to be small, however, often consisting of only a handful of images from a single location with a single scale. This limits the models' ability to generalize to other datasets. Domain adaptation has been proposed to improve the models' generalization but we find these approaches are not effective for dealing with the scale variation commonly found between remote sensing image collections. We therefore propose a scale aware adversarial learning framework to perform joint cross-location and cross-scale land-cover classification. The framework has a dual discriminator architecture with a standard feature discriminator as well as a novel scale discriminator. We also introduce a scale attention module which produces scale-enhanced features. Experimental results show that the proposed framework outperforms state-of-the-art domain adaptation methods by a large margin.
• Abstract（参考訳）: リモートセンシング画像を用いた土地被覆分類は重要な地球観測課題である。 近年,土地被覆分類はセマンティックセグメンテーションのための完全連結ニューラルネットワークの開発から恩恵を受けている。 リモートセンシング画像のディープセグメンテーションモデルをトレーニングするためのベンチマークデータセットは小さい傾向にあるが、多くの場合、単一のスケールで単一のロケーションからわずか数の画像で構成されている。 これにより、モデルが他のデータセットに一般化する能力を制限する。 ドメイン適応はモデルの一般化を改善するために提案されているが、これらの手法はリモートセンシング画像コレクション間で見られるスケールのばらつきに対処するには有効ではない。 そこで本稿では,共同配置とクロススケール土地被覆分類を行うための大規模対応学習フレームワークを提案する。 このフレームワークは、標準的な特徴判別器と新しいスケール判別器を備えた二重識別器アーキテクチャを備えている。 また,スケールエンハンス機能を実現するスケールアテンションモジュールも導入する。 実験の結果,提案手法は最先端のドメイン適応手法を大差で上回ることがわかった。

関連論文リスト

• LOGCAN++: Adaptive Local-global class-aware network for semantic segmentation of remote sensing imagery [6.715911889086415]
  LOGCAN++はリモートセンシング画像用にカスタマイズされたセマンティックセグメンテーションモデルである。 GCA(Global Class Awareness)モジュールとLCA(Local Class Awareness)モジュールで構成されている。 LCAモジュールは、グローバルクラス表現と間接的にピクセルを関連付けるために、中間知覚要素としてローカルクラス表現を生成する。
  論文  参考訳（メタデータ） (2024-06-24T10:12:03Z)
• 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)
• Long-Range Correlation Supervision for Land-Cover Classification from Remote Sensing Images [4.8951183832371]
  本研究では,SLCNetと呼ばれる土地被覆分類のための新しい教師付き長距離相関手法を提案する。 SLCNetでは、同じカテゴリを共有するピクセルは高い相関関係があり、異なるカテゴリを持つピクセルは関連性が低い。 コンピュータビジョン、医療、リモートセンシングコミュニティの高度なセグメンテーション手法と比較すると、SLCNetはすべてのデータセットで最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2023-09-08T09:19:18Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Weakly supervised segmentation with point annotations for histopathology images via contrast-based variational model [7.021021047695508]
  病理組織像のセグメンテーション結果を生成するためのコントラストモデルを提案する。 本手法は,病理組織像における対象領域の共通特性を考察し,エンドツーエンドで訓練することができる。 より地域的に一貫性があり、スムーズな境界セグメンテーションを生成することができ、未ラベルの新規領域に対してより堅牢である。
  論文  参考訳（メタデータ） (2023-04-07T10:12:21Z)
• Unsupervised Domain Adaptation for Semantic Segmentation using One-shot Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
  超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。 潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。 都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-12-07T18:16:17Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
  航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。 本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-18T10:14:45Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• 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)

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。