論文の概要: Overhead MNIST: A Benchmark Satellite Dataset
- arxiv url: http://arxiv.org/abs/2102.04266v1
- Date: Mon, 8 Feb 2021 14:57:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-10 10:49:47.364568
- Title: Overhead MNIST: A Benchmark Satellite Dataset
- Title（参考訳）: Overhead MNIST: ベンチマーク衛星データセット
- Authors: David Noever, Samantha E. Miller Noever
- Abstract要約: このデータセットは、100万人以上の人間が参加し、キュレートされたサンプルから抽出された公開ベンチマークを提供する。
移動学習と畳み込みニューラルネットワーク(MobileNetV2)を用いたプロトタイプのディープラーニングアプローチは、平均96.7%の精度で10のオーバヘッドクラスを正しく識別する。
衛星画像と物体認識のアップグレードのために、この新しいデータセットは災害救助、土地利用管理、その他の伝統的なリモートセンシングタスクなどの多様な取り組みに役立っている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The research presents an overhead view of 10 important objects and follows
the general formatting requirements of the most popular machine learning task:
digit recognition with MNIST. This dataset offers a public benchmark extracted
from over a million human-labelled and curated examples. The work outlines the
key multi-class object identification task while matching with prior work in
handwriting, cancer detection, and retail datasets. A prototype deep learning
approach with transfer learning and convolutional neural networks (MobileNetV2)
correctly identifies the ten overhead classes with an average accuracy of
96.7%. This model exceeds the peak human performance of 93.9%. For upgrading
satellite imagery and object recognition, this new dataset benefits diverse
endeavors such as disaster relief, land use management, and other traditional
remote sensing tasks. The work extends satellite benchmarks with new
capabilities to identify efficient and compact algorithms that might work
on-board small satellites, a practical task for future multi-sensor
constellations. The dataset is available on Kaggle and Github.
- Abstract（参考訳）: この研究は10の重要なオブジェクトのオーバーヘッドビューを示し、最も人気のある機械学習タスクであるMNISTによる桁認識の一般的なフォーマット要件に従う。
このデータセットは、100万人以上の人間のラベルとキュレーションされた例から抽出された公開ベンチマークを提供する。
この研究は、手書き、がん検出、小売データセットでの以前の作業とマッチングしながら、主要なマルチクラスオブジェクト識別タスクの概要を示している。
トランスファーラーニングと畳み込みニューラルネットワーク(MobileNetV2)を用いたプロトタイプのディープラーニングアプローチは、平均96.7%の精度で10のオーバーヘッドクラスを正しく識別する。
このモデルは人間の最高性能93.9%を超える。
衛星画像と物体認識を改善するために、この新しいデータセットは、災害救助、土地利用管理、およびその他の従来のリモートセンシングタスクなどのさまざまな取り組みに役立ちます。
この研究は、衛星ベンチマークを拡張して、小型衛星で動作可能な効率的でコンパクトなアルゴリズムを識別する能力を追加した。
データセットはKaggleとGithubで入手できる。
関連論文リスト
- SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳（メタデータ） (2024-03-11T09:20:40Z) - Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳（メタデータ） (2024-03-08T16:18:04Z) - Domain Adaptable Self-supervised Representation Learning on Remote
Sensing Satellite Imagery [2.796274924103132]
本研究は,リモートセンシング衛星データを用いたコントラスト型自己教師型表現学習と知識伝達のための新しい領域パラダイムを提案する。
提案手法は,異なるソースおよび対象データ分布にまたがる自己教師付き表現の知識伝達について検討する。
UC Merced Landuse (UCMD)、SIRI-WHU、MLRSNetの3つの公開データセットで実験が行われた。
論文 参考訳（メタデータ） (2023-04-19T14:32:36Z) - Knowledge Combination to Learn Rotated Detection Without Rotated
Annotation [53.439096583978504]
回転バウンディングボックスは、伸長したオブジェクトの出力あいまいさを劇的に減少させる。
この効果にもかかわらず、回転検出器は広く使われていない。
本稿では,モデルが正確な回転ボックスを予測できるフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-05T03:07:36Z) - Semantic Segmentation with Active Semi-Supervised Representation
Learning [23.79742108127707]
我々はラベル付きデータよりもはるかに少ない効果的なセマンティックセグメンテーションアルゴリズムを訓練する。
半教師あり学習のための平均教師アプローチを自己学習アプローチに置き換えることで、従来のS4ALアルゴリズムを拡張した。
セマンティックセグメンテーションのためのアクティブラーニングのためのデファクト標準であるCamVidおよびCityScapesデータセットについて,本手法の評価を行った。
論文 参考訳（メタデータ） (2022-10-16T00:21:43Z) - A large scale multi-view RGBD visual affordance learning dataset [4.3773754388936625]
大規模マルチビューRGBDビジュアルアプライアンス学習データセットを提案する。
これは、初めてかつ最大のマルチビューRGBDビジュアルアプライアンス学習データセットである。
いくつかの最先端のディープラーニングネットワークを,それぞれが可視性認識とセグメンテーションタスクのために評価する。
論文 参考訳（メタデータ） (2022-03-26T14:31:35Z) - Clustering augmented Self-Supervised Learning: Anapplication to Land
Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。
社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文 参考訳（メタデータ） (2021-08-16T19:35:43Z) - Large-scale Unsupervised Semantic Segmentation [163.3568726730319]
本稿では, 大規模無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 (LUSS) の新たな課題を提案する。
ImageNetデータセットに基づいて、120万のトレーニング画像と40万の高品質なセマンティックセグメンテーションアノテーションを用いた画像Net-Sデータセットを提案する。
論文 参考訳（メタデータ） (2021-06-06T15:02:11Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳（メタデータ） (2020-01-06T13:37:51Z)
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。