論文の概要: Crop mapping from image time series: deep learning with multi-scale
label hierarchies
- arxiv url: http://arxiv.org/abs/2102.08820v1
- Date: Wed, 17 Feb 2021 15:27:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 04:22:46.895278
- Title: Crop mapping from image time series: deep learning with multi-scale
label hierarchies
- Title（参考訳）: 画像時系列からのクロップマッピング:マルチスケールラベル階層を用いた深層学習
- Authors: Mehmet Ozgur Turkoglu, Stefano D'Aronco, Gregor Perich, Frank
Liebisch, Constantin Streit, Konrad Schindler, Jan Dirk Wegner
- Abstract要約: 専門家の知識を活用し,希少作物の分布を著しく改善する作物分類法を開発した。
3レベルラベル階層は畳み込みリカレントニューラルネットワーク(convRNN)に符号化される
我々は,提案手法を新たに公開する大規模データセット上で検証する。
- 参考スコア（独自算出の注目度）: 22.58506027920305
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The aim of this paper is to map agricultural crops by classifying satellite
image time series. Domain experts in agriculture work with crop type labels
that are organised in a hierarchical tree structure, where coarse classes (like
orchards) are subdivided into finer ones (like apples, pears, vines, etc.). We
develop a crop classification method that exploits this expert knowledge and
significantly improves the mapping of rare crop types. The three-level label
hierarchy is encoded in a convolutional, recurrent neural network (convRNN),
such that for each pixel the model predicts three labels at different level of
granularity. This end-to-end trainable, hierarchical network architecture
allows the model to learn joint feature representations of rare classes (e.g.,
apples, pears) at a coarser level (e.g., orchard), thereby boosting
classification performance at the fine-grained level. Additionally, labelling
at different granularity also makes it possible to adjust the output according
to the classification scores; as coarser labels with high confidence are
sometimes more useful for agricultural practice than fine-grained but very
uncertain labels. We validate the proposed method on a new, large dataset that
we make public. ZueriCrop covers an area of 50 km x 48 km in the Swiss cantons
of Zurich and Thurgau with a total of 116'000 individual fields spanning 48
crop classes, and 28,000 (multi-temporal) image patches from Sentinel-2. We
compare our proposed hierarchical convRNN model with several baselines,
including methods designed for imbalanced class distributions. The hierarchical
approach performs superior by at least 9.9 percentage points in F1-score.
- Abstract（参考訳）: 本研究の目的は,衛星画像時系列の分類による農業作物の地図作成である。
農業分野の専門家は、果樹園のような粗いクラス(果樹園)をより細かいもの(リンゴ、洋ナシ、ブドウなど)に分類する階層的な木構造で組織された作物型ラベルを扱っている。
本研究では,この知識を活かした作物分類手法を開発し,希少作物のマッピングを大幅に改善する。
3レベルのラベル階層は畳み込みニューラルネットワーク(convRNN)にエンコードされ、各ピクセルに対してモデルは異なるレベルの粒度で3つのラベルを予測する。
このエンドツーエンドのトレーニング可能な階層的ネットワークアーキテクチャにより、モデルは粗いレベル(例えば果樹園)でレアクラス(例えばリンゴ、ナシ)の共同特徴表現を学ぶことができ、細粒度の分類性能を高めることができる。
さらに、異なる粒度でのラベル付けは、分類スコアに応じて出力を調整することも可能であり、高い信頼度を持つ粗いラベルは、細粒度であるが不確定なラベルよりも農業実践に有用である。
我々は,提案手法を新たに公開する大規模データセット上で検証する。
zuericrop はスイスのチューリッヒ州とトゥールガウ州で50 km x 48 km の面積をカバーしており、48の作物のクラスにまたがる116'000の個別の畑と、センチネル-2からの28,000のイメージパッチがある。
提案する階層型convrnnモデルと,不均衡クラス分散のための手法を含む複数のベースラインを比較した。
階層的アプローチは、F1スコアの少なくとも9.9ポイントよりも優れている。
関連論文リスト
- Harnessing Superclasses for Learning from Hierarchical Databases [1.835004446596942]
多くの大規模分類問題において、クラスは既知の階層に整理され、通常木として表される。
この種の教師付き階層分類の損失について紹介する。
提案手法では,クロスエントロピーの損失に比較して,計算コストの大幅な増大は伴わない。
論文 参考訳（メタデータ） (2024-11-25T14:39:52Z) - A Capsule Network for Hierarchical Multi-Label Image Classification [2.507647327384289]
階層的な多ラベル分類は、階層構造や分類に基づくより小さな分類に分類された多クラス画像分類問題に適用される。
階層分類のためのマルチラベルカプセルネットワーク(ML-CapsNet)を提案する。
論文 参考訳（メタデータ） (2022-09-13T04:17:08Z) - Use All The Labels: A Hierarchical Multi-Label Contrastive Learning
Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。
比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文 参考訳（メタデータ） (2022-04-27T21:41:44Z) - Label Relation Graphs Enhanced Hierarchical Residual Network for
Hierarchical Multi-Granularity Classification [10.449261628173229]
本研究では,階層の任意のレベルにオブジェクトをラベル付けするHMC問題について検討する。
子どもの特徴に残差接続を付加する階層的残差ネットワーク(HRN)を提案する。
論文 参考訳（メタデータ） (2022-01-10T07:17:24Z) - Label Hierarchy Transition: Delving into Class Hierarchies to Enhance
Deep Classifiers [40.993137740456014]
本稿では,階層型分類の課題に対処するために,ディープラーニングに基づく統一確率的フレームワークを提案する。
提案するフレームワークは、わずかに修正するだけで、既存のディープネットワークに容易に適応できる。
提案するLHTフレームワークを皮膚病変診断タスクに拡張し,コンピュータ支援診断におけるその大きな可能性を検証した。
論文 参考訳（メタデータ） (2021-12-04T14:58:36Z) - Semi-Supervised Learning with Taxonomic Labels [42.02670649470055]
細粒度領域で画像分類器を訓練するために,粗い分類ラベルを組み込む手法を提案する。
3つの王国にまたがる810種からなるSemi-iNatデータセットでは、フィラムラベルを組み込むことで、種レベルの分類精度が6%向上する。
本稿では,階層構造に導かれる未ラベル画像の集合から,ロバスト性を改善するための関連データを選択する手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T00:50:25Z) - Noisy Labels Can Induce Good Representations [53.47668632785373]
アーキテクチャがノイズラベルによる学習に与える影響について検討する。
ノイズラベルを用いたトレーニングは,モデルが一般化に乏しい場合でも,有用な隠れ表現を誘導できることを示す。
この発見は、騒々しいラベルで訓練されたモデルを改善する簡単な方法につながります。
論文 参考訳（メタデータ） (2020-12-23T18:58:05Z) - Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。
粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2020-11-25T19:06:26Z) - Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。
実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文 参考訳（メタデータ） (2020-09-12T17:36:53Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z) - Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
まずラベル階層の知識を任意のCNNベースの分類器に注入する。
画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
論文 参考訳（メタデータ） (2020-04-02T10:22:02Z)
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。