論文の概要: 3D Fully Convolutional Neural Networks with Intersection Over Union Loss for Crop Mapping from Multi-Temporal Satellite Images

• arxiv url: http://arxiv.org/abs/2102.07280v1
• Date: Mon, 15 Feb 2021 00:15:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-02-16 15:44:06.138794
• Title: 3D Fully Convolutional Neural Networks with Intersection Over Union Loss for Crop Mapping from Multi-Temporal Satellite Images
• Title（参考訳）: マルチテンポラル衛星画像からのクロップマッピングのためのユニオン損失を横断した3D完全畳み込みニューラルネットワーク
• Authors: Sina Mohammadi, Mariana Belgiu, Alfred Stein
• Abstract要約: 多時間画像から作物のタイプをマッピングする3次元完全畳み込みニューラルネットワーク(FCN)の能力について検討する。 本稿では,予測クラスと基底真理データとの重なりを増大させるために,IOU(Intersection Over Union)損失関数を提案する。
• 参考スコア（独自算出の注目度）: 2.395616571632115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information on cultivated crops is relevant for a large number of food security studies. Different scientific efforts are dedicated to generate this information from remote sensing images by means of machine learning methods. Unfortunately, these methods do not account for the spatial-temporal relationships inherent in remote sensing images. In our paper, we explore the capability of a 3D Fully Convolutional Neural Network (FCN) to map crop types from multi-temporal images. In addition, we propose the Intersection Over Union (IOU) loss function for increasing the overlap between the predicted classes and ground truth data. The proposed method was applied to identify soybean and corn from a study area situated in the US corn belt using multi-temporal Landsat images. The study shows that our method outperforms related methods, obtaining a Kappa coefficient of 90.8%. We conclude that using the IOU Loss function provides a superior choice to learn individual crop types.
• Abstract（参考訳）: 栽培作物に関する情報は多くの食品安全保障研究に関係している。 異なる科学的な取り組みは、機械学習によってリモートセンシング画像からこの情報を生成することに費やされている。 残念ながら、これらの手法はリモートセンシング画像に固有の空間的・時間的関係を考慮しない。 本稿では,多時間画像から作物のタイプをマッピングする3次元完全畳み込みニューラルネットワーク(FCN)の能力について検討する。 さらに,予測クラスと地上真実データとの重なりを増大させるために,IOU(Intersection Over Union)損失関数を提案する。 提案手法は, 多時間ランドサット画像を用いて, アメリカトウモロコシ帯に位置する研究領域から大豆とトウモロコシの同定に応用した。 本研究は,Kappa係数が90.8%の関連手法より優れていることを示す。 IOU Loss機能を使用すると、個々の作物の種類を学ぶのに優れた選択ができると結論付けています。

関連論文リスト

• Evaluation of Deep Learning Semantic Segmentation for Land Cover Mapping on Multispectral, Hyperspectral and High Spatial Aerial Imagery [0.0]
  気候変動の台頭で、土地被覆マッピングは環境モニタリングにおいて緊急に必要となってきた。 本研究では,Unet,Linknet,FPN,PSPnetなどのセマンティックセグメンテーション手法を用いて植生や水などの分類を行った。 LinkNetモデルは、すべてのデータセットで0.92の精度でIoUで取得した。
  論文  参考訳（メタデータ） (2024-06-20T11:40:12Z)
• DA-HFNet: Progressive Fine-Grained Forgery Image Detection and Localization Based on Dual Attention [12.36906630199689]
  DA-HFNet鍛造画像データセットをテキストまたは画像支援GANおよび拡散モデルで作成する。 我々のゴールは、階層的なプログレッシブネットワークを使用して、異なるスケールの偽造物を検出およびローカライゼーションするために捕獲することである。
  論文  参考訳（メタデータ） (2024-06-03T16:13:33Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• SepHRNet: Generating High-Resolution Crop Maps from Remote Sensing imagery using HRNet with Separable Convolution [3.717258819781834]
  本稿では、HRNetと分離可能な畳み込み層を統合し、空間的パターンをキャプチャし、データの時間的パターンをキャプチャする、新たなDeep Learningアプローチを提案する。 提案アルゴリズムは、作物マップの生成において、97.5%の分類精度と55.2%のIoUを高い分類精度で達成する。
  論文  参考訳（メタデータ） (2023-07-11T18:07:25Z)
• De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
  Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。 本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。 我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
  論文  参考訳（メタデータ） (2023-03-29T18:07:25Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Fine-tuning deep learning models for stereo matching using results from semi-global matching [1.0152838128195467]
  ディープラーニング (DL) 法は, 高い精度が報告されているステレオ画像マッチングタスクに対して広く研究されている。 衛星画像は、場所、内容、土地被覆、空間パターンにばらつきのある大規模領域をカバーしており、その性能に影響を及ぼすことを期待している。 本研究では,対象ステレオデータ上でのSGM(Census-based semi-global-matching)から得られる不均一性マップを利用した微調整手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T15:38:10Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN) [1.0312968200748118]
  本稿では,リカレントニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく,画素ベースの土地被覆と作物分類(LC&CC)のための,新しい最適なディープラーニングモデルを開発する。 本研究では,主要農作物を含む15種について検討した。 提案したPixel R-CNNの全体的な精度は96.5%であり、既存の主流手法と比較して大幅に改善された。
  論文  参考訳（メタデータ） (2020-04-27T15:39:50Z)
• DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
  我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。 我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。 定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
  論文  参考訳（メタデータ） (2020-03-15T08:13:16Z)

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。