Fugu-MT 論文翻訳(概要): Leveraging Domain Adaptation for Low-Resource Geospatial Machine Learning

論文の概要: Leveraging Domain Adaptation for Low-Resource Geospatial Machine Learning

arxiv url: http://arxiv.org/abs/2107.04983v1
Date: Sun, 11 Jul 2021 06:47:20 GMT
ステータス: 翻訳完了
システム内更新日: 2021-07-13 16:02:20.759681
Title: Leveraging Domain Adaptation for Low-Resource Geospatial Machine Learning
Title（参考訳）: 低リソース地理空間機械学習のためのドメイン適応化
Authors: Jack Lynch and Sam Wookey
Abstract要約: 多くのラベル付き地理空間データセットは特定の地域、楽器、極端な気象イベントに特化している。提案した複数の地理空間ベンチマークに対する最新のドメイン適応の適用について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Machine learning in remote sensing has matured alongside a proliferation in availability and resolution of geospatial imagery, but its utility is bottlenecked by the need for labeled data. What's more, many labeled geospatial datasets are specific to certain regions, instruments, or extreme weather events. We investigate the application of modern domain-adaptation to multiple proposed geospatial benchmarks, uncovering unique challenges and proposing solutions to them.
Abstract（参考訳）: リモートセンシングにおける機械学習は、地理空間画像の可用性と解像度の増大とともに成熟しているが、その実用性はラベル付きデータの必要性によってボトルネックになっている。さらに、多くのラベル付き地理空間データセットは特定の地域、機器、極端な気象イベントに特化しています。提案する複数の地理空間的ベンチマークに対する現代ドメイン適応の適用について検討し,固有の課題を明らかにし,その解決策を提案する。

関連論文リスト

OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。地理空間応用に適したMLLM(OmniGeo)を提案する。自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
論文参考訳（メタデータ） (2025-03-20T16:45:48Z)
EarthScape: A Multimodal Dataset for Surficial Geologic Mapping and Earth Surface Analysis [0.31077024712075796]
本研究では,地球表面マッピングと地球表面解析のための新しいAI対応マルチモーダルデータセットであるEarthScapeを紹介する。 EarthScapeは高解像度の空中RGBと近赤外(NIR)画像、デジタル標高モデル(DEM)、マルチスケールDEM起源の地形特徴、水文・インフラベクトルデータを統合している。 EarthScapeは、拡張のためのビジョンを持つ生きたデータセットとして、コンピュータビジョンと地球科学のギャップを埋める。
論文参考訳（メタデータ） (2025-03-19T18:23:48Z)
Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文参考訳（メタデータ） (2025-02-19T14:21:25Z)
Geode: A Zero-shot Geospatial Question-Answering Agent with Explicit Reasoning and Precise Spatio-Temporal Retrieval [0.0]
本研究では,ゼロショット地理空間的質問応答タスクを高精度に処理するための先駆的システムを提案する。当社のアプローチは,現在の大規模言語モデルの限界に対処する上で,大幅な改善を図っている。
論文参考訳（メタデータ） (2024-06-26T21:59:54Z)
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)
GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。まず,地理的適応のための大規模データセットGeoNetを紹介する。第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文参考訳（メタデータ） (2023-03-27T17:59:34Z)
A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文参考訳（メタデータ） (2022-11-04T09:58:57Z)
Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文参考訳（メタデータ） (2022-09-28T18:51:59Z)
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)
Deep residential representations: Using unsupervised learning to unlock elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文参考訳（メタデータ） (2021-12-02T17:10:52Z)
Domain-Adversarial Training of Self-Attention Based Networks for Land Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery [0.0]
ほとんどの実用的なアプリケーションはラベル付きデータには依存せず、この分野では調査は時間のかかるソリューションである。本稿では,異なる地理的領域間のドメイン不一致を橋渡しする深層ニューラルネットワークの対比訓練について検討する。
論文参考訳（メタデータ） (2021-04-01T15:45:17Z)
Deep Learning Techniques for Geospatial Data Analysis [0.0]
消費者電子デバイスは、地理空間データと呼ばれる大量の位置情報を連続的に生成している。近年、このような地理空間データを中心に、多くの有用な一般用途が設計され、展開されている。近年のディープラーニング技術分野の進歩は、ニューラルネットワークに基づく技術が従来の機械学習技術より優れていることを示している。
論文参考訳（メタデータ） (2020-08-30T11:51:10Z)
Learning and Recognizing Archeological Features from LiDAR Data [8.135393502095909]
本稿では,LiDAR(Light Detection and Ranging)データを処理するリモートセンシングパイプラインを提案する。本研究の目的は,地域空間と考古学的アーティファクトを教師付きで識別し,ドメインの専門家が必要に応じて柔軟にパラメータを調整できるようにすることである。
論文参考訳（メタデータ） (2020-04-05T05:36:37Z)
SeismiQB -- a novel framework for deep learning with seismic data [62.997667081978825]
ニューラルネットワークの開発に重点を置いた、オープンソースのPythonフレームワークを開発しました。複数のデータフォーマットで地震波キューブを高速にロードする便利なツールを提供する。また、望まれる形状の作物を生産し、様々な変換で増強する。
論文参考訳（メタデータ） (2020-01-10T10:45:56Z)

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。