論文の概要: Two Shifts for Crop Mapping: Leveraging Aggregate Crop Statistics to Improve Satellite-based Maps in New Regions

• arxiv url: http://arxiv.org/abs/2109.01246v1
• Date: Thu, 2 Sep 2021 23:33:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-06 14:03:35.684524
• Title: Two Shifts for Crop Mapping: Leveraging Aggregate Crop Statistics to Improve Satellite-based Maps in New Regions
• Title（参考訳）: 作物マッピングの2つの変化:新地域の衛星地図改善のための集積作物統計の活用
• Authors: Dan M. Kluger, Sherrie Wang, David B. Lobell
• Abstract要約: 多くの地域では、教師付き分類モデルの訓練のために、フィールドレベルの作物ラベルが不足しているため、衛星データを用いた作物型マッピングが依然として制限されている。 そこで本研究では,作物型組成の変化を考慮し,集約レベルの作物統計を用いて分類器を補正する手法を提案する。 本手法は,フランス・オクシタニーおよびケニア西部の作物タイプをLDA(Linear Discriminant Analysis)を用いて地図化することにより,分類精度を大幅に向上させることを示した。
• 参考スコア（独自算出の注目度）: 11.371275175634413
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Crop type mapping at the field level is critical for a variety of applications in agricultural monitoring, and satellite imagery is becoming an increasingly abundant and useful raw input from which to create crop type maps. Still, in many regions crop type mapping with satellite data remains constrained by a scarcity of field-level crop labels for training supervised classification models. When training data is not available in one region, classifiers trained in similar regions can be transferred, but shifts in the distribution of crop types as well as transformations of the features between regions lead to reduced classification accuracy. We present a methodology that uses aggregate-level crop statistics to correct the classifier by accounting for these two types of shifts. To adjust for shifts in the crop type composition we present a scheme for properly reweighting the posterior probabilities of each class that are output by the classifier. To adjust for shifts in features we propose a method to estimate and remove linear shifts in the mean feature vector. We demonstrate that this methodology leads to substantial improvements in overall classification accuracy when using Linear Discriminant Analysis (LDA) to map crop types in Occitanie, France and in Western Province, Kenya. When using LDA as our base classifier, we found that in France our methodology led to percent reductions in misclassifications ranging from 2.8% to 42.2% (mean = 21.9%) over eleven different training departments, and in Kenya the percent reductions in misclassification were 6.6%, 28.4%, and 42.7% for three training regions. While our methodology was statistically motivated by the LDA classifier, it can be applied to any type of classifier. As an example, we demonstrate its successful application to improve a Random Forest classifier.
• Abstract（参考訳）: 畑レベルの作物タイプマッピングは農業モニタリングにおける様々な応用に不可欠であり、衛星画像は作物タイプマップを作成するためにますます豊富で有用な原画像となっている。 しかし、多くの地域では、衛星データによる作物タイプのマッピングは、教師付き分類モデルの訓練のためのフィールドレベルの作物ラベルの不足によって制約されている。 ある地域では訓練データが入手できない場合には、類似地域で訓練された分類器を転送することができるが、作物の種類や地域間の特徴の変換は、分類精度の低下につながる。 本稿では,これら2種類の変遷を考慮し,収量レベルの作物統計を用いて分類器を補正する手法を提案する。 作物型組成の変化を調整するため,分類器によって出力される各クラスの後方確率を適切に重み付けする手法を提案する。 特徴量の変化を調整するために,平均特徴量ベクトルの線形シフトを推定し除去する手法を提案する。 本手法は,フランス・オクシタニーおよびケニア西部の作物タイプをLDA(Linear Discriminant Analysis)を用いて地図化することにより,分類精度を大幅に向上させることを示した。 LDAを基本分類法として使用すると、フランスでは11の訓練部署で2.8%から42.2%(平均21.9%)の誤分類が減少し、ケニアでは3つの訓練部署で6.6%、28.4%、42.7%の誤分類が減少した。 我々の手法はLDA分類器によって統計的に動機付けられたが、あらゆる種類の分類器に適用できる。 一例として、ランダムフォレスト分類器の改良に成功例を挙げる。

関連論文リスト

• Latent Enhancing AutoEncoder for Occluded Image Classification [2.6217304977339473]
  LEARN: Latent Enhancing feature Reconstruction Networkを紹介する。 オートエンコーダベースのネットワークで、頭の前に分類モデルに組み込むことができる。 OccludedPASCAL3D+データセットでは、提案されたLEARNが標準分類モデルより優れている。
  論文  参考訳（メタデータ） (2024-02-10T12:22:31Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  クライアント間の局所的なラベル分布の相違を特徴とするラベルスキューは、連合学習において大きな課題となる。 本稿では, ラベルスキュード・フェデレート学習における新しい手法であるFedVLSについて紹介する。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Habitat classification from satellite observations with sparse annotations [4.164845768197488]
  リモートセンシングデータを用いた生息地分類とマッピング手法を提案する。 この方法は、フィールドから収集された細粒度でスパースな単一ピクセルアノテーションを使用することによって特徴付けられる。 本研究では, 収穫増量, 試験時間増量, 半教師付き学習が, さらに分類の助けとなることを示す。
  論文  参考訳（メタデータ） (2022-09-26T20:14:59Z)
• Saliency Map Based Data Augmentation [0.0]
  本稿では,特定の領域へのニューラルネットワークの不変性を制限するために,サリエンシマップを用いた新しい手法を提案する。 この方法は、分類タスクにおいて高いテスト精度を提供する。
  論文  参考訳（メタデータ） (2022-05-29T15:04:59Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• An Efficient Method for the Classification of Croplands in Scarce-Label Regions [0.0]
  衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。 ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。 自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
  論文  参考訳（メタデータ） (2021-03-17T12:10:11Z)
• WILDS: A Benchmark of in-the-Wild Distribution Shifts [157.53410583509924]
  分散シフトは、ワイルドにデプロイされた機械学習システムの精度を実質的に低下させることができる。 分散シフトの多様な範囲を反映した8つのベンチマークデータセットのキュレーションコレクションであるWILDSを紹介します。 本研究は, 標準訓練の結果, 分布性能よりも, 分布域外性能が有意に低下することを示す。
  論文  参考訳（メタデータ） (2020-12-14T11:14:56Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• Meta-Learning for Few-Shot Land Cover Classification [3.8529010979482123]
  分類タスクとセグメンテーションタスクにおけるモデル非依存メタラーニング(MAML)アルゴリズムの評価を行った。 数発のモデル適応は,正規勾配降下による事前学習よりも優れていた。 これは、メタラーニングによるモデル最適化が地球科学におけるタスクの恩恵をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2020-04-28T09:42:41Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。