論文の概要: An Efficient Method for the Classification of Croplands in Scarce-Label
Regions
- arxiv url: http://arxiv.org/abs/2103.09588v1
- Date: Wed, 17 Mar 2021 12:10:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 16:44:58.029602
- Title: An Efficient Method for the Classification of Croplands in Scarce-Label
Regions
- Title(参考訳): スカース・ラベル地域における作物の効率的な分類法
- Authors: Houtan Ghaffari
- Abstract要約: 衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。
ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。
自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Two of the main challenges for cropland classification by satellite
time-series images are insufficient ground-truth data and inaccessibility of
high-quality hyperspectral images for under-developed areas. Unlabeled
medium-resolution satellite images are abundant, but how to benefit from them
is an open question. We will show how to leverage their potential for cropland
classification using self-supervised tasks. Self-supervision is an approach
where we provide simple training signals for the samples, which are apparent
from the data's structure. Hence, they are cheap to acquire and explain a
simple concept about the data. We introduce three self-supervised tasks for
cropland classification. They reduce epistemic uncertainty, and the resulting
model shows superior accuracy in a wide range of settings compared to SVM and
Random Forest. Subsequently, we use the self-supervised tasks to perform
unsupervised domain adaptation and benefit from the labeled samples in other
regions. It is crucial to know what information to transfer to avoid degrading
the performance. We show how to automate the information selection and transfer
process in cropland classification even when the source and target areas have a
very different feature distribution. We improved the model by about 24%
compared to a baseline architecture without any labeled sample in the target
domain. Our method is amenable to gradual improvement, works with
medium-resolution satellite images, and does not require complicated models.
Code and data are available.
- Abstract(参考訳): 衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。
ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。
自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
自己スーパービジョン(self-supervision)は、データ構造から明らかな、サンプルに対する単純なトレーニング信号を提供するアプローチである。
したがって、データに関する単純な概念を入手して説明するのが安価である。
我々は,作物分類の自己監督タスクを3つ導入する。
その結果,SVMやランダムフォレストと比較して,広範囲な環境下での精度が向上した。
その後、自己監督タスクを使用して、非教師なし領域適応を行い、他の領域のラベル付きサンプルから利益を得る。
パフォーマンスの劣化を避けるためには、転送する情報を知ることが重要です。
原産地と対象地域が全く異なる特徴分布であっても,作物分類における情報選択・移動プロセスの自動化方法を示す。
対象ドメインにラベル付きサンプルを含まないベースラインアーキテクチャと比較して,モデルを約24%改善した。
提案手法は, 衛星画像の高解像度化に有効であり, 複雑なモデルを必要としない。
コードとデータは利用可能である。
関連論文リスト
- 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) - Weakly-supervised deepfake localization in diffusion-generated images [4.548755617115687]
本稿では,Xception ネットワークをバックボーンアーキテクチャとして用いた弱教師付きローカライズ問題を提案する。
本研究では,(局所スコアに基づく)最良動作検出法は,データセットやジェネレータのミスマッチよりも,より緩やかな監視に敏感であることを示す。
論文 参考訳(メタデータ) (2023-11-08T10:27:36Z) - Cross-Level Distillation and Feature Denoising for Cross-Domain Few-Shot
Classification [49.36348058247138]
トレーニング段階において,対象領域内のラベルなし画像のごく一部をアクセス可能にすることで,ドメイン間数ショット分類の問題に対処する。
我々は,対象データセットのより識別的な特徴を抽出するモデルの能力を高めるため,クロスレベルな知識蒸留法を慎重に設計する。
提案手法は,従来の動的蒸留法を5.44%,1.37%,5ショット分類法を1.37%超えることができる。
論文 参考訳(メタデータ) (2023-11-04T12:28:04Z) - Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint Extraction from LiDAR Data with Limited Annotations [1.3243401820948064]
フットプリントマップの構築は、広範な後処理なしで正確なフットプリント抽出を約束する。
ディープラーニング手法は、一般化とラベルの効率の面で課題に直面している。
リモートセンシングに適した地形認識型自己教師型学習を提案する。
論文 参考訳(メタデータ) (2023-11-02T12:34:23Z) - Evaluating the Label Efficiency of Contrastive Self-Supervised Learning
for Multi-Resolution Satellite Imagery [0.0]
遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。
本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
論文 参考訳(メタデータ) (2022-10-13T06:54:13Z) - Habitat classification from satellite observations with sparse
annotations [4.164845768197488]
リモートセンシングデータを用いた生息地分類とマッピング手法を提案する。
この方法は、フィールドから収集された細粒度でスパースな単一ピクセルアノテーションを使用することによって特徴付けられる。
本研究では, 収穫増量, 試験時間増量, 半教師付き学習が, さらに分類の助けとなることを示す。
論文 参考訳(メタデータ) (2022-09-26T20:14:59Z) - 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) - SCARF: Self-Supervised Contrastive Learning using Random Feature
Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。
SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文 参考訳(メタデータ) (2021-06-29T08:08:33Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-02-09T03:07:07Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳(メタデータ) (2020-04-02T03:25:05Z)
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。