論文の概要: Spatio-temporal Crop Classification On Volumetric Data
- arxiv url: http://arxiv.org/abs/2103.10050v1
- Date: Thu, 18 Mar 2021 07:13:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 02:54:06.341214
- Title: Spatio-temporal Crop Classification On Volumetric Data
- Title(参考訳): 容積データに基づく時空間作物分類
- Authors: Muhammad Usman Qadeer, Salar Saeed, Murtaza Taj and Abubakr Muhammad
- Abstract要約: 多スペクトル画像を用いた大規模作物分類は数十年にわたって広く研究されてきた問題である。
深層畳み込みニューラルネットワーク(dcnn)が提案されているが、ランダムフォレストに匹敵する結果しか得られていない。
本研究では,大規模作物分類のための新しいCNNアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 3.2880869992413246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-area crop classification using multi-spectral imagery is a widely
studied problem for several decades and is generally addressed using classical
Random Forest classifier. Recently, deep convolutional neural networks (DCNN)
have been proposed. However, these methods only achieved results comparable
with Random Forest. In this work, we present a novel CNN based architecture for
large-area crop classification. Our methodology combines both spatio-temporal
analysis via 3D CNN as well as temporal analysis via 1D CNN. We evaluated the
efficacy of our approach on Yolo and Imperial county benchmark datasets. Our
combined strategy outperforms both classical as well as recent DCNN based
methods in terms of classification accuracy by 2% while maintaining a minimum
number of parameters and the lowest inference time.
- Abstract(参考訳): 多スペクトル画像を用いた大規模作物分類は数十年にわたって広く研究されてきた問題であり、一般的には古典的ランダム林分分類器を用いて取り組まれている。
近年,深層畳み込みニューラルネットワーク(DCNN)が提案されている。
しかし、これらの手法はランダムフォレストに匹敵する結果しか得られなかった。
本研究では,大規模作物分類のための新しいCNNアーキテクチャを提案する。
本手法は3次元CNNによる時空間解析と1次元CNNによる時空間解析を併用する。
我々は,ヨーロ市とインペリアル郡ベンチマークデータセットに対するアプローチの有効性を評価した。
本手法は,最小パラメータ数と最小推論時間を維持しつつ,分類精度を2%向上させるため,古典的手法と最近のDCNN法の両方に優れる。
関連論文リスト
- Tree species classification at the pixel-level using deep learning and multispectral time series in an imbalanced context [0.0]
本稿では,Sentinel-2マルチスペクトル衛星画像時系列を用いた木種分類について検討する。
ディープラーニングモデルを使用することで,分類結果の大幅な改善が期待できる。
論文 参考訳(メタデータ) (2024-08-05T13:44:42Z) - Time Elastic Neural Networks [2.1756081703276]
時間弾性ニューラルネットワーク(teNN)という,非定型ニューラルネットワークアーキテクチャの導入と詳細化について述べる。
古典的ニューラルネットワークアーキテクチャと比較して新しいのは、時間ゆがみ能力を明確に組み込んでいることだ。
トレーニング過程において,TENNは各細胞に必要となるニューロン数を減少させることに成功した。
論文 参考訳(メタデータ) (2024-05-27T09:01:30Z) - On the rates of convergence for learning with convolutional neural networks [9.772773527230134]
畳み込みニューラルネットワーク(CNN)の1側ゼロパディングと複数のチャネルによる近似と学習能力について検討した。
多くの学習問題におけるCNNに基づく推定器の収束率を導出する。
また、得られた分類率は、いくつかの一般的な設定において極小であることも示している。
論文 参考訳(メタデータ) (2024-03-25T06:42:02Z) - A Proximal Algorithm for Network Slimming [2.8148957592979427]
畳み込みニューラルネットワーク(CNN)の一般的なチャネルプルーニング法は、CNNの訓練に段階的な降下を用いる。
我々は、CNNをスパースで正確な構造に向けて訓練するための、近位NSと呼ばれる代替アルゴリズムを開発した。
実験の結果,1ラウンドのトレーニングの後,近位NSは競争精度と圧縮性を備えたCNNが得られることがわかった。
論文 参考訳(メタデータ) (2023-07-02T23:34:12Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳(メタデータ) (2022-12-02T07:31:39Z) - Rethinking Nearest Neighbors for Visual Classification [56.00783095670361]
k-NNは、トレーニングセット内のテストイメージとトップk隣人間の距離を集約する遅延学習手法である。
我々は,教師付き手法と自己監督型手法のいずれでも,事前学習した視覚表現を持つk-NNを2つのステップで採用する。
本研究は,幅広い分類タスクに関する広範な実験により,k-NN統合の汎用性と柔軟性を明らかにした。
論文 参考訳(メタデータ) (2021-12-15T20:15:01Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Classification of Polarimetric SAR Images Using Compact Convolutional
Neural Networks [24.553598498985796]
PolSAR画像の分類には,新しい,体系的な分類フレームワークが提案されている。
スライドウインドウ分類手法を用いたCNNのコンパクトで適応的な実装に基づいている。
提案手法は深層CNNよりも小さいウィンドウサイズで分類できる。
論文 参考訳(メタデータ) (2020-11-10T17:09:11Z) - Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance
Segmentation [75.93960390191262]
我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。
そこで本研究では,NMS再サンプリング法を提案する。
提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
論文 参考訳(メタデータ) (2020-08-13T03:52:37Z) - Equalization Loss for Long-Tailed Object Recognition [109.91045951333835]
最先端のオブジェクト検出手法は、大きな語彙と長い尾を持つデータセットでは依然として不十分である。
そこで本稿では,長期的希少なカテゴリーの課題に対処するために,同化損失という,シンプルだが効果的な損失を提案する。
LVISベンチマークでは,レアおよび共通カテゴリのAP利得が4.1%,レアおよび共通カテゴリが4.8%である。
論文 参考訳(メタデータ) (2020-03-11T09:14:53Z) - Approximation and Non-parametric Estimation of ResNet-type Convolutional
Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。
Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文 参考訳(メタデータ) (2019-03-24T19:42:39Z)
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。