論文の概要: Addressing Annotation Imprecision for Tree Crown Delineation Using the
RandCrowns Index
- arxiv url: http://arxiv.org/abs/2105.02186v1
- Date: Wed, 5 May 2021 16:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 12:45:02.184066
- Title: Addressing Annotation Imprecision for Tree Crown Delineation Using the
RandCrowns Index
- Title(参考訳): RandCrowns Index を用いた樹冠ディラインの表記精度の検討
- Authors: Dylan Stewart, Alina Zare, Sergio Marconi, Ben Weinstein, Ethan White,
Sarah Graves, Stephanie Bohlman, Aditya Singh
- Abstract要約: 樹冠の配置は、森林、生態、管理のためのリモートセンシング画像から重要な情報を提供する。
現在の評価方法はアノテーションの不確実性を考慮していない。
これらの制限は、RandCrowns と呼ばれる弱ラベルの冠表示のために Rand インデックスの適応を使用して対処します。
- 参考スコア(独自算出の注目度): 2.6144305160661228
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supervised methods for object delineation in remote sensing require labeled
ground-truth data. Gathering sufficient high quality ground-truth data is
difficult, especially when the targets are of irregular shape or difficult to
distinguish from the background or neighboring objects. Tree crown delineation
provides key information from remote sensing images for forestry, ecology, and
management. However, tree crowns in remote sensing imagery are often difficult
to label and annotate due to irregular shape, overlapping canopies, shadowing,
and indistinct edges. There are also multiple approaches to annotation in this
field (e.g., rectangular boxes vs. convex polygons) that further contribute to
annotation imprecision. However, current evaluation methods do not account for
this uncertainty in annotations, and quantitative metrics for evaluation can
vary across multiple annotators. We address these limitations using an
adaptation of the Rand index for weakly-labeled crown delineation that we call
RandCrowns. The RandCrowns metric reformulates the Rand index by adjusting the
areas over which each term of the index is computed to account for uncertain
and imprecise object delineation labels. Quantitative comparisons to the
commonly used intersection over union (Jaccard similarity) method shows a
decrease in the variance generated by differences among multiple annotators.
Combined with qualitative examples, our results suggest that this RandCrowns
metric is more robust for scoring target delineations in the presence of
uncertainty and imprecision in annotations that are inherent to tree crown
delineation. Although the focus of this paper is on evaluation of tree crown
delineations, annotation imprecision is a challenge that is common across
remote sensing of the environment (and many computer vision problems in
general).
- Abstract(参考訳): リモートセンシングにおけるオブジェクトのデライン化の監視方法は、ラベル付き地上データを必要とする。
特にターゲットが不規則な形状であったり、背景や隣り合う物体との区別が難しい場合、十分な高品質な地中データの収集は困難である。
樹冠の配置は、森林、生態、管理のためのリモートセンシング画像から重要な情報を提供する。
しかし、リモートセンシング画像の樹冠は、不規則な形状、重なり合う天蓋、影、不明瞭な縁のために、しばしばラベル付けや注釈付けが困難である。
この分野にはアノテーションに対する複数のアプローチ(例えば、矩形箱対凸多角形)があり、さらにアノテーションの精度に寄与する。
しかし、現在の評価手法ではこの不確実性は考慮されておらず、評価のための定量的指標は複数の注釈者によって異なる可能性がある。
我々はRandCrownsと呼ばれる弱いラベル付きクラウンデライン化に対してRandインデックスの適応を用いてこれらの制限に対処する。
RandCrownsメトリックは、インデックスの各項が計算される領域を調整し、不確実で不正確なオブジェクト記述ラベルを考慮し、Randインデックスを再構成する。
共役和の共通交叉法(jaccard similarity)との定量的比較は、複数のアノテーション間の差異によって生じる分散の低下を示している。
定性的な例と組み合わせて,このRandCrowns測度は,木冠起点に固有のアノテーションに不確実性や不正確性が存在する場合に,目的の起点を評価する上でより堅牢であることが示唆された。
本論文の焦点は樹冠の起伏を評価することにあるが、アノテーションの精度は環境のリモートセンシング(および多くのコンピュータビジョン問題)に共通する課題である。
関連論文リスト
- Persistent Classification: A New Approach to Stability of Data and Adversarial Examples [6.469716438197741]
本研究では,自然点と逆点の補間点に沿った持続的測定値の相違について検討する。
敵の例は、大きなニューラルネットワークの自然な例よりも持続性が著しく低いことを示す。
我々は、この永続性の欠如を、決定境界に関する補間物の角度を測定することによって、決定境界幾何学と結び付ける。
論文 参考訳(メタデータ) (2024-04-11T18:13:42Z) - The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge
Detector [70.43599299422813]
既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。
多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。
UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
論文 参考訳(メタデータ) (2023-03-21T13:14:36Z) - Reliability-Adaptive Consistency Regularization for Weakly-Supervised
Point Cloud Segmentation [80.07161039753043]
極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。
本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。
疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
論文 参考訳(メタデータ) (2023-03-09T10:41:57Z) - ZScribbleSeg: Zen and the Art of Scribble Supervised Medical Image
Segmentation [16.188681108101196]
弱い教師付きセグメンテーションにのみスクリブルアノテーションを活用することを提案する。
既存のソリューションは主に注釈付き領域でのみ計算された選択的損失を利用する。
空間的関係と形状を事前にエンコードする正規化項を導入する。
我々は、ZScribbleSegと表記される統合フレームワークに、効率的なスクリブル監視を前者と統合する。
論文 参考訳(メタデータ) (2023-01-12T09:00:40Z) - P2P-Loc: Point to Point Tiny Person Localization [47.6728595874315]
本稿では,人物位置決め作業のための新しいポイントベースフレームワークを提案する。
粗い点(粗い点)として各人に注釈を付けることは、正確なバウンディングボックスではなく、オブジェクトの範囲内の任意の点である。
提案手法は,アノテーションを最大80$%のコストで保存しながら,オブジェクトのローカライゼーション性能に匹敵する。
論文 参考訳(メタデータ) (2021-12-31T08:24:43Z) - The Weakly-Labeled Rand Index [2.989889278970106]
SASサーベイは海底型間の大きな遷移領域を持つ画像を生成する。
画像のラベル付けと分割は困難であり、さらに画像のセグメンテーションを適切にスコア付けすることが困難である。
論文 参考訳(メタデータ) (2021-03-08T16:21:15Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2020-12-16T04:09:04Z) - Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
極値理論に基づく新しいアイデンティティ分離法を提案する。
重なり合うラベルノイズによる問題を大幅に低減する。
制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
論文 参考訳(メタデータ) (2020-07-14T12:26:50Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳(メタデータ) (2020-03-17T12:59:50Z)
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。