論文の概要: RapidAI4EO: A Corpus for Higher Spatial and Temporal Reasoning

• arxiv url: http://arxiv.org/abs/2110.01919v1
• Date: Tue, 5 Oct 2021 10:12:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 14:11:21.439126
• Title: RapidAI4EO: A Corpus for Higher Spatial and Temporal Reasoning
• Title（参考訳）: ラピッドAI4EO:高空間・時間共振用コーパス
• Authors: Giovanni Marchisio (1), Patrick Helber (3), Benjamin Bischke (3), Timothy Davis (2), Caglar Senaras (2), Daniele Zanaga (4), Ruben Van De Kerchove (4), Annett Wania (2) ((1) Planet Labs Inc., USA, (2) Planet Labs GmbH, Germany, (3) Vision Impulse GmbH and DFKI, Germany, (4) VITO NV, Belgium)
• Abstract要約: プロジェクトの目的は、土地利用(LU)、土地被覆(LC)、およびLUの変化を、現在よりはるかに高い詳細かつ時間的周期で監視することである。 リモートセンシングコミュニティ全体の利益のために、これらのデータセットをオープンソース化する予定です。
• 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: Under the sponsorship of the European Union Horizon 2020 program, RapidAI4EO will establish the foundations for the next generation of Copernicus Land Monitoring Service (CLMS) products. The project aims to provide intensified monitoring of Land Use (LU), Land Cover (LC), and LU change at a much higher level of detail and temporal cadence than it is possible today. Focus is on disentangling phenology from structural change and in providing critical training data to drive advancement in the Copernicus community and ecosystem well beyond the lifetime of this project. To this end we are creating the densest spatiotemporal training sets ever by fusing open satellite data with Planet imagery at as many as 500,000 patch locations over Europe and delivering high resolution daily time series at all locations. We plan to open source these datasets for the benefit of the entire remote sensing community.
• Abstract（参考訳）: 欧州連合(eu)のhorizon 2020プログラムのスポンサーの下で、rapidai4eoは次世代のcopernicus land monitoring service(clms)製品の基盤を確立する。 プロジェクトの目的は、土地利用(LU)、土地被覆(LC)、およびLUの変化を、現在よりはるかに高い詳細かつ時間的周期で監視することである。 構造の変化から表現学を遠ざけ、コペルニクスのコミュニティと生態系の発展を促進するために重要な訓練データを提供することに重点を置いている。 この目的のために我々は、欧州の50万箇所のパッチでPlanet画像と衛星データを融合し、あらゆる場所で高解像度の日時データを配信することで、最も密集した時空間トレーニングセットを作成しています。 リモートセンシングコミュニティ全体の利益のために、これらのデータセットをオープンソース化する予定です。

関連論文リスト

• SSL4EO-L: Datasets and Foundation Models for Landsat Imagery [8.34029977985994]
  ランドサット計画 (Landsat program) は、過去最長の地球観測計画であり、8つの衛星による50年以上のデータ取得である。 深層学習やリモートセンシングの普及にもかかわらず、ほとんどの研究者はランドサットの画像解析に決定木とランダムな森林を使っている。 本稿では,ランドサット衛星群を対象としたセルフ・スーパーバイザード・ラーニング・フォー・アース・オブ・オブ・アース・オブ・ザ・観察のために設計された最初のデータセットであるSSL4EO-Lを紹介する。
  論文  参考訳（メタデータ） (2023-06-15T18:11:20Z)
• One-Shot Federated Learning for LEO Constellations that Reduces Convergence Time from Days to 90 Minutes [3.096615629099617]
  低軌道 (LEO) の衛星コンステレーションは、多数の小さな衛星が宇宙を旅し、移動度が高い。 フェデレートラーニング(FL)は、生データを送信する必要がなくなり、帯域幅とプライバシに親しみやすいため、有望なアプローチである。 我々はLEOShotと呼ばれるLEO衛星に対して,学習過程全体を完了させるためには,単一の通信ラウンドしか必要としない新しい一発FLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-21T01:57:56Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Open High-Resolution Satellite Imagery: The WorldStrat Dataset -- With Application to Super-Resolution [0.6445605125467573]
  以下にWorldStratデータセットを紹介する。 最大の、そして最も多様な公開データセットは、エアバス SPOT 6/7の高解像度の1.5 m/ピクセルである。 我々は、世界中のあらゆる種類の土地利用の成層的表現を確保するために、1万平方キロ近いユニークな場所をキュレートした。 自由アクセス可能な低解像度のSentinel-2衛星から10m/ピクセルの高解像度画像を複数の低解像度画像で時間的にマッチングする。
  論文  参考訳（メタデータ） (2022-07-13T14:30:20Z)
• Towards Space-to-Ground Data Availability for Agriculture Monitoring [0.0]
  本稿では,クラウドソーシングプラットフォームであるMapillaryのストリートレベル画像とともに,Sentinel-1レーダとSentinel-2光画像時系列を含む地上空間データセットを提案する。 これらの異なるデータドメイン上で機械学習とディープラーニングのアルゴリズムをトレーニングし、意思決定の信頼性を高めるための融合技術の可能性を強調します。
  論文  参考訳（メタデータ） (2022-05-16T14:35:48Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Successor Feature Landmarks for Long-Horizon Goal-Conditioned Reinforcement Learning [54.378444600773875]
  大規模で高次元の環境を探索するフレームワークであるSFL(Successor Feature Landmarks)を紹介する。 SFLは、状態のノベルティを推定して探索を推進し、状態空間を非パラメトリックなランドマークベースのグラフとして抽象化することで、高レベルな計画を可能にする。 我々は,MiniGrid と ViZDoom の実験において,SFL が大規模高次元状態空間の効率的な探索を可能にすることを示す。
  論文  参考訳（メタデータ） (2021-11-18T18:36:05Z)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• The SpaceNet Multi-Temporal Urban Development Challenge [5.191792224645409]
  足跡を構築することは、多くの人道的アプリケーションに有用なプロキシを提供する。 本論文では, 建物のランドスケープ, トラッキング, 変化の検出を精度良く行うための手法の開発について論じる。 競合は、4m解像度でPlanet Labsの衛星画像モザイクの全く新しいオープンソースデータセットを中心にした。 受賞した参加者は、新たに開発されたSpaceNet Change and Object Tracking(SCOT)メトリックで印象的なパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-23T22:01:22Z)
• Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
  低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。 軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。 エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。 本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2020-05-26T05:39:27Z)

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。