論文の概要: A hierarchical deep learning framework for the consistent classification
of land use objects in geospatial databases
- arxiv url: http://arxiv.org/abs/2104.06991v1
- Date: Wed, 14 Apr 2021 17:16:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-15 14:20:29.365960
- Title: A hierarchical deep learning framework for the consistent classification
of land use objects in geospatial databases
- Title（参考訳）: 地理空間データベースにおける土地利用オブジェクトの一貫した分類のための階層的深層学習フレームワーク
- Authors: Chun Yang, Franz Rottensteiner, Christian Heipke
- Abstract要約: 本稿では,土地利用情報を検証するための階層的ディープラーニングフレームワークを提案する。
複数レベルの土地利用を階層的に同時に予測することを目的とした新しいCNN方式を提案する。
実験によると、CNNはJOに依存しており、全体の精度は92.5%まで向上している。
- 参考スコア（独自算出の注目度）: 8.703408520845645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Land use as contained in geospatial databases constitutes an essential input
for different applica-tions such as urban management, regional planning and
environmental monitoring. In this paper, a hierarchical deep learning framework
is proposed to verify the land use information. For this purpose, a two-step
strategy is applied. First, given high-resolution aerial images, the land cover
information is determined. To achieve this, an encoder-decoder based
convolutional neural net-work (CNN) is proposed. Second, the pixel-wise land
cover information along with the aerial images serves as input for another CNN
to classify land use. Because the object catalogue of geospatial databases is
frequently constructed in a hierarchical manner, we propose a new CNN-based
method aiming to predict land use in multiple levels hierarchically and
simultaneously. A so called Joint Optimization (JO) is proposed where
predictions are made by selecting the hier-archical tuple over all levels which
has the maximum joint class scores, providing consistent results across the
different levels. The conducted experiments show that the CNN relying on JO
outperforms previous results, achieving an overall accuracy up to 92.5%. In
addition to the individual experiments on two test sites, we investigate
whether data showing different characteristics can improve the results of land
cover and land use classification, when processed together. To do so, we
combine the two datasets and undertake some additional experiments. The results
show that adding more data helps both land cover and land use classification,
especially the identification of underrepre-sented categories, despite their
different characteristics.
- Abstract（参考訳）: 地理空間データベースに含まれる土地利用は, 都市管理, 地域計画, 環境モニタリングなど, さまざまな用途に欠かせないインプットとなっている。
本稿では,土地利用情報を検証するための階層型ディープラーニングフレームワークを提案する。
この目的のために2段階の戦略が適用される。
まず、高分解能空中画像から土地被覆情報を決定する。
これを実現するために、エンコーダデコーダに基づく畳み込みニューラルネットワーク(CNN)を提案する。
第2に、画素単位での土地被覆情報と航空画像が、他のcnnの土地利用分類の入力となる。
地理空間データベースのオブジェクトカタログは階層的に構築されることが多いため,複数の階層的かつ同時に土地利用を予測するための新しいcnnベースの手法を提案する。
ジョイント・オプティフィケーション(jo)と呼ばれる手法では,最大ジョイントクラススコアを持つすべてのレベルに対して階層的タプルを選択し,異なるレベルに対して一貫した結果を提供する。
実験の結果、CNNはJOに依存しており、全体の精度は92.5%まで向上した。
2つの試験場における個別実験に加えて,異なる特性を示すデータによって土地被覆と土地利用分類の結果が向上するかどうかについて検討した。
そのために、2つのデータセットを結合し、いくつかの追加実験を行います。
その結果,データの追加が土地被覆と土地利用の分類,特に未熟なカテゴリーの識別に寄与することがわかった。
関連論文リスト
- TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning [36.725822223732635]
位置(ポイント)エンコーディングのための学習フレームワークとベンチマークであるTorchSpatialを提案する。
TorchSpatialには3つの重要なコンポーネントが含まれている: 1) 一般的に認識されている15のロケーションエンコーダを統合する統合されたロケーションエンコーダフレームワーク、2) LocBenchベンチマークタスクは、7つのジオアウェアイメージ分類と4つのジオアウェアイメージ回帰データセットを含む。
論文 参考訳（メタデータ） (2024-06-21T21:33:16Z) - 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) - Classifying geospatial objects from multiview aerial imagery using semantic meshes [2.116528763953217]
米国における森林の航空画像に基づく樹木種予測手法を提案する。
提案手法は, 木分類に難渋する課題に対して, 53%から75%に分類精度を向上することを示す。
論文 参考訳（メタデータ） (2024-05-15T17:56:49Z) - Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese
Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。
そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文 参考訳（メタデータ） (2023-09-04T13:44:50Z) - A Coarse-to-Fine Approach for Urban Land Use Mapping Based on
Multisource Geospatial Data [4.2968261363970095]
本稿では,パーセルレベルの都市土地利用マッピングのための機械学習に基づくアプローチを提案する。
まず、道路網から生成された区画に基づいて、都市をビルトアップと非ビルトアップに分割する。
次に,異なる地域におけるパーセルの分類戦略を採用し,最終的に分類結果を統合された土地利用地図に組み合わせた。
論文 参考訳（メタデータ） (2022-08-18T13:30:56Z) - Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
既存のアプローチでは、両方の問題が存在するシナリオに対処できません。
本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。
AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
論文 参考訳（メタデータ） (2022-07-20T19:07:46Z) - 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) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - A Hierarchical Approach to Remote Sensing Scene Classification [0.913755431537592]
本稿では,このような配置に適した階層型cnnフレームワークの効率性について検討する。
DenseNet-121アーキテクチャを使い始めた2つのディープCNNモデルがあります。
本実験の結果, 階層構造における異なるサブカテゴリの個々の分類器は良好に機能するが, カスケード構造における分類誤差の蓄積は, 非階層的深層モデルの分類性能を超えることを妨げている。
論文 参考訳（メタデータ） (2021-03-29T09:56:57Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - Phase Consistent Ecological Domain Adaptation [76.75730500201536]
意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。
視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。
第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
論文 参考訳（メタデータ） (2020-04-10T06:58:03Z)
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。