論文の概要: Land Cover Mapping in Limited Labels Scenario: A Survey

• arxiv url: http://arxiv.org/abs/2103.02429v1
• Date: Wed, 3 Mar 2021 14:33:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-06 12:30:37.579520
• Title: Land Cover Mapping in Limited Labels Scenario: A Survey
• Title（参考訳）: 限定ラベルシナリオにおける土地被覆マッピング:調査
• Authors: Rahul Ghosh, Xiaowei Jia, Vipin Kumar
• Abstract要約: 土地被覆マッピングは、地球環境の変化を監視し、天然資源を管理するために不可欠です。 従来の分類モデルは、既存の土地被覆製品で利用可能な限られたトレーニングデータに苦しめられている。 本稿では,土地被覆マッピングと機械学習手法における課題の構造化と包括的概要について述べる。
• 参考スコア（独自算出の注目度）: 13.162846466936994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Land cover mapping is essential for monitoring global environmental change and managing natural resources. Unfortunately, traditional classification models are plagued by limited training data available in existing land cover products and data heterogeneity over space and time. In this survey, we provide a structured and comprehensive overview of challenges in land cover mapping and machine learning methods used to address these problems. We also discuss the gaps and opportunities that exist for advancing research in this promising direction.
• Abstract（参考訳）: 土地被覆マッピングは、地球環境の変化を監視し、天然資源を管理するために不可欠です。 残念なことに、従来の分類モデルは、既存の土地被覆製品で利用可能な限られたトレーニングデータと、時間と空間におけるデータの多様性に苦しめられている。 この調査では、これらの問題に対処するために使用される土地被覆マッピングおよび機械学習手法における課題を構造化および包括的に概観する。 また、この有望な方向に研究を進めるためのギャップと機会についても論じる。

関連論文リスト

• Reuse out-of-year data to enhance land cover mappingvia feature disentanglement and contrastive learning [5.936030178022172]
  土地利用/土地被覆(LULC)地図は、農業領域の管理、環境モニタリング、持続可能な意思決定を支援する上で重要な役割を果たしている。 新しい基底真理データを収集する必要があるため、以前に収集された参照データを完全に無視する。 本稿では,2つの異なる領域からのリモートセンシングと参照データを組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-17T07:00:20Z)
• 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)
• Weakly Supervised Object Localization and Detection: A Survey [145.5041117184952]
  オブジェクトのローカライゼーションと検出は、新しい世代のコンピュータビジョンシステムを開発する上で重要な役割を果たす。 本稿では,(1)古典的モデル,(2)既成の深層ネットワークの特徴表現を用いたアプローチ,(3)ディープラーニングのみに基づくアプローチ,(4)この分野で広く利用されている公開データセットと標準評価指標についてレビューする。 この分野における重要な課題、この分野の開発履歴、各カテゴリーの手法の利点/欠点、異なるカテゴリーの方法間の関係、弱い監督対象のローカリゼーションおよび検出方法の適用、およびこの研究分野の開発をさらに促進するための潜在的な将来の方向性について議論します。
  論文  参考訳（メタデータ） (2021-04-16T06:44:50Z)
• A Survey of Embedding Space Alignment Methods for Language and Knowledge Graphs [77.34726150561087]
  単語,文,知識グラフの埋め込みアルゴリズムに関する現在の研究状況について調査する。 本稿では、関連するアライメント手法の分類と、この研究分野で使用されるベンチマークデータセットについて論じる。
  論文  参考訳（メタデータ） (2020-10-26T16:08:13Z)
• Attentive Weakly Supervised land cover mapping for object-based satellite image time series data with spatial interpretation [4.549831511476249]
  本稿では,粗粒度ラベルの弱さをインテリジェントに活用できる,TASSELという新しいディープラーニングフレームワークを提案する。 私たちのフレームワークは、ブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。
  論文  参考訳（メタデータ） (2020-04-30T10:23:12Z)
• Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
  ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。 このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。 衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
  論文  参考訳（メタデータ） (2020-04-11T19:49:09Z)
• Fine grained classification for multi-source land cover mapping [4.9873153106566575]
  タイムリーで正確な土地利用/土地被覆マッピングはこのビジョンをサポートすることができる。 オブジェクトレベルでのマルチソース土地被覆マッピングに対処する深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-04T15:49:37Z)
• Weakly Supervised Semantic Segmentation of Satellite Images for Land Cover Mapping -- Challenges and Opportunities [15.113606982352513]
  完全自動大規模土地被覆マッピングは、リモートセンシングコミュニティが取り組んだ中核的な課題に属する。 近年の衛星観測能力の増大にもかかわらず、正確な訓練データは相容れないままである。 本稿では、弱教師付き学習戦略の適用を事例として、利用可能なデータソースを最大限に活用することを目的とする。
  論文  参考訳（メタデータ） (2020-02-19T16:01:25Z)

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。