論文の概要: Topo2vec: Topography Embedding Using the Fractal Effect
- arxiv url: http://arxiv.org/abs/2108.08870v1
- Date: Thu, 19 Aug 2021 18:34:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-23 13:22:34.844996
- Title: Topo2vec: Topography Embedding Using the Fractal Effect
- Title(参考訳): Topo2vec:フラクタル効果を用いた地形埋め込み
- Authors: Jonathan Kavitzky, Jonathan Zarecki, Idan Brusilovsky, Uriel Singer
- Abstract要約: リモートセンシング画像におけるフラクタル効果を利用した自己教師型学習手法の拡張を提案する。
提案手法の有効性を標高データに示すとともに,その効果を推論に用いた。
我々の知る限りでは、地形画像の汎用表現を構築しようとする最初の試みである。
- 参考スコア(独自算出の注目度): 3.957174470017176
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advances in deep learning have transformed many fields by introducing
generic embedding spaces, capable of achieving great predictive performance
with minimal labeling effort. The geology field has not yet met such success.
In this work, we introduce an extension for self-supervised learning techniques
tailored for exploiting the fractal-effect in remote-sensing images. The
fractal-effect assumes that the same structures (for example rivers, peaks and
saddles) will appear in all scales. We demonstrate our method's effectiveness
on elevation data, we also use the effect in inference. We perform an extensive
analysis on several classification tasks and emphasize its effectiveness in
detecting the same class on different scales. To the best of our knowledge, it
is the first attempt to build a generic representation for topographic images.
- Abstract(参考訳): 近年のディープラーニングの進歩は,ラベリングの最小化による予測性能の向上が可能な汎用的な埋め込み空間を導入することで,多くの分野に変化をもたらした。
地質学の分野はまだそのような成功には至っていない。
本稿では,遠隔センシング画像におけるフラクタル効果を利用した自己教師あり学習手法の拡張を提案する。
フラクタル効果は、同じ構造(例えば川、ピーク、サドル)が全てのスケールで現れると仮定している。
提案手法の有効性を標高データに示すとともに,その効果を推論に用いた。
複数の分類タスクを広範囲に分析し,同じクラスを異なるスケールで検出することの有効性を強調する。
我々の知る限りでは、地形画像の汎用表現を構築しようとする最初の試みである。
関連論文リスト
- 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) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳(メタデータ) (2024-03-23T22:32:06Z) - Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint Extraction from LiDAR Data with Limited Annotations [1.3243401820948064]
フットプリントマップの構築は、広範な後処理なしで正確なフットプリント抽出を約束する。
ディープラーニング手法は、一般化とラベルの効率の面で課題に直面している。
リモートセンシングに適した地形認識型自己教師型学習を提案する。
論文 参考訳(メタデータ) (2023-11-02T12:34:23Z) - Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。
クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
論文 参考訳(メタデータ) (2022-04-02T16:58:36Z) - Multi-Label Classification on Remote-Sensing Images [0.0]
本報告は、アマゾン熱帯雨林の衛星画像チップに、さまざまな機械学習モデルと優れたディープラーニングモデルを通して、大気および様々な土地被覆や土地利用のクラスをラベル付けすることを目的としている。
今までのベストスコアは、F2測定値が0.927である。
論文 参考訳(メタデータ) (2022-01-06T08:42:32Z) - A Contrastive Distillation Approach for Incremental Semantic
Segmentation in Aerial Images [15.75291664088815]
現在のディープニューラルアーキテクチャに関する大きな問題は、破滅的な忘れこととして知られている。
我々は、任意の入力を拡張バージョンと比較する、対照的な正則化を提案する。
私たちは、Potsdamデータセットにおけるソリューションの有効性を示し、各テストにおけるインクリメンタルベースラインよりも優れています。
論文 参考訳(メタデータ) (2021-12-07T16:44:45Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳(メタデータ) (2021-04-12T21:41:25Z) - Catastrophic Forgetting in Deep Graph Networks: an Introductory
Benchmark for Graph Classification [12.423303337249795]
グラフ表現学習シナリオにおける破滅的忘れ現象について検討する。
リプレイはこれまでのところ最も効果的な戦略であり、正規化の使用も最もメリットがあります。
論文 参考訳(メタデータ) (2021-03-22T12:07:21Z) - Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。
我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。
提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
論文 参考訳(メタデータ) (2020-10-10T07:14:03Z) - Extending and Analyzing Self-Supervised Learning Across Domains [50.13326427158233]
近年,自己指導型表現学習が目覚ましい成果を上げている。
実験は主にImageNetや他の同様の大規模なインターネット画像データセット上で行われる。
我々は、前例のない様々なドメインで、いくつかのポピュラーな手法を実験した。
論文 参考訳(メタデータ) (2020-04-24T21:18:02Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳(メタデータ) (2020-04-17T11:55:03Z)
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。