論文の概要: Reducing Effects of Swath Gaps on Unsupervised Machine Learning Models for NASA MODIS Instruments

• arxiv url: http://arxiv.org/abs/2106.07113v1
• Date: Sun, 13 Jun 2021 23:50:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 15:59:29.281274
• Title: Reducing Effects of Swath Gaps on Unsupervised Machine Learning Models for NASA MODIS Instruments
• Title（参考訳）: NASAMODIS機器の教師なし機械学習モデルにおけるスワップギャップの低減効果
• Authors: Sarah Chen, Esther Cao, Anirudh Koul, Siddha Ganju, Satyarth Praveen, Meher Anand Kasam
• Abstract要約: NASAのTerraとNASAのAqua衛星は、データのない領域であるスワストギャップを含む画像を撮影する。 注釈付きデータを監視として使用することで、モデルはフォーカス領域とスワストギャップの区別を学ぶことができる。 本稿では,CNNが関心領域に集中できるように,スワストギャップの存在を著しく除去する拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 0.6157382820537718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the nature of their pathways, NASA Terra and NASA Aqua satellites capture imagery containing swath gaps, which are areas of no data. Swath gaps can overlap the region of interest (ROI) completely, often rendering the entire imagery unusable by Machine Learning (ML) models. This problem is further exacerbated when the ROI rarely occurs (e.g. a hurricane) and, on occurrence, is partially overlapped with a swath gap. With annotated data as supervision, a model can learn to differentiate between the area of focus and the swath gap. However, annotation is expensive and currently the vast majority of existing data is unannotated. Hence, we propose an augmentation technique that considerably removes the existence of swath gaps in order to allow CNNs to focus on the ROI, and thus successfully use data with swath gaps for training. We experiment on the UC Merced Land Use Dataset, where we add swath gaps through empty polygons (up to 20 percent areas) and then apply augmentation techniques to fill the swath gaps. We compare the model trained with our augmentation techniques on the swath gap-filled data with the model trained on the original swath gap-less data and note highly augmented performance. Additionally, we perform a qualitative analysis using activation maps that visualizes the effectiveness of our trained network in not paying attention to the swath gaps. We also evaluate our results with a human baseline and show that, in certain cases, the filled swath gaps look so realistic that even a human evaluator did not distinguish between original satellite images and swath gap-filled images. Since this method is aimed at unlabeled data, it is widely generalizable and impactful for large scale unannotated datasets from various space data domains.
• Abstract（参考訳）: これらの経路の性質のため、NASATerraとNASA Aqua衛星は、データのない領域であるスワストギャップを含む画像を捉えている。 スワストギャップは完全に関心領域(ROI)と重なり、マシンラーニング(ML)モデルでは画像全体が使用不能になることが多い。 この問題はROIがほとんど起こらない場合(例えば)さらに悪化する。 ハリケーン)で、発生時に部分的にはスワストギャップと重なり合う。 注釈付きデータを監視として使用することで、モデルはフォーカス領域とスワストギャップの区別を学ぶことができる。 しかし、アノテーションは高価であり、既存のデータの大部分は未注釈である。 そこで我々は,CNNがROIに集中できるように,スワストギャップの存在を著しく除去する拡張手法を提案し,トレーニングにスワストギャップを持つデータを使用することに成功した。 我々は、UC Merced Land Use Datasetで実験を行い、空のポリゴン(最大20%)を通してスワストギャップを追加し、その後、スワストギャップを埋めるために拡張技術を適用します。 swathギャップを満たしたデータでトレーニングしたモデルと、元のswathギャップのないデータでトレーニングされたモデルを比較し、高いパフォーマンスに注目する。 さらに,swathギャップに注意を払わずにトレーニングしたネットワークの有効性を可視化するアクティベーションマップを用いて定性解析を行う。 また,本研究の結果を人体ベースラインで評価し,ある場合において,人間の評価者でさえ,元の衛星画像とスワストギャップを埋めた画像とを区別しないほど,スワストギャップの埋め合わせが現実的であることを示す。 この手法はラベルのないデータを対象としているため、様々な空間データ領域の大規模無注釈データセットに対して広く一般化され、影響を受けやすい。

関連論文リスト

• How Important are Data Augmentations to Close the Domain Gap for Object Detection in Orbit? [15.550663626482903]
  宇宙空間におけるコンピュータビジョンの領域ギャップを埋めるためのデータ拡張の有効性について検討する。 本稿では,軌道画像に観察される視覚効果をエミュレートするために開発された2つの新しいデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T08:24:46Z)
• Adaptive Masking Enhances Visual Grounding [12.793586888511978]
  ローショット学習シナリオにおける語彙接地を改善するために,ガウス放射変調を用いた画像解釈型マスキングを提案する。 我々はCOCOやODinWを含む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、ゼロショットタスクや少数ショットタスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-04T05:48:02Z)
• 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)
• Knowledge Combination to Learn Rotated Detection Without Rotated Annotation [53.439096583978504]
  回転バウンディングボックスは、伸長したオブジェクトの出力あいまいさを劇的に減少させる。 この効果にもかかわらず、回転検出器は広く使われていない。 本稿では,モデルが正確な回転ボックスを予測できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-05T03:07:36Z)
• Pseudo Label-Guided Model Inversion Attack via Conditional Generative Adversarial Network [102.21368201494909]
  モデル反転(MI)攻撃はプライバシーに対する懸念を高めている。 近年のMI攻撃では,探索空間を狭める前にGAN(Generative Adversarial Network)を画像として活用している。 我々は条件付きGAN(cGAN)による擬似ラベル誘導MI(PLG-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2023-02-20T07:29:34Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• 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)
• Smoothing the Generative Latent Space with Mixup-based Distance Learning [32.838539968751924]
  我々は、我々の関心の大規模なデータセットも、転送可能なソースデータセットも利用できない状況を考える。 本稿では,ジェネレータとディスクリミネータの両方の特徴空間における遅延混合に基づく距離正規化を提案する。
  論文  参考訳（メタデータ） (2021-11-23T06:39:50Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Analyzing the Dependency of ConvNets on Spatial Information [81.93266969255711]
  本稿では,空間シャッフルとGAP+FCを用いて,学習段階とテスト段階の両方で空間情報を破壊する手法を提案する。 空間情報は、後続の層から小さな性能低下で削除できることを観察する。
  論文  参考訳（メタデータ） (2020-02-05T15:22:32Z)

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。