Fugu-MT 論文翻訳(概要): Crop Rotation Modeling for Deep Learning-Based Parcel Classification from Satellite Time Series

論文の概要: Crop Rotation Modeling for Deep Learning-Based Parcel Classification from Satellite Time Series

arxiv url: http://arxiv.org/abs/2110.08187v1
Date: Fri, 15 Oct 2021 16:38:41 GMT
ステータス: 処理完了
システム内更新日: 2021-10-18 13:37:11.696040
Title: Crop Rotation Modeling for Deep Learning-Based Parcel Classification from Satellite Time Series
Title（参考訳）: 衛星時系列からの深層学習に基づくパーセル分類のための作物回転モデル
Authors: F\'elix Quinton and Loic Landrieu
Abstract要約: 本研究は,パーセル分類の農学間および年内動態を同時にモデル化する最初の深層学習手法を提案する。我々のモデルでは,6.6mIoU以上の点が作物の分類の最先端よりも改善されている。我々は,30万件以上の注釈を付した大規模多年農業データセットを公表した。
参考スコア（独自算出の注目度）: 5.715103211247915
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While annual crop rotations play a crucial role for agricultural optimization, they have been largely ignored for automated crop type mapping. In this paper, we take advantage of the increasing quantity of annotated satellite data to propose the first deep learning approach modeling simultaneously the inter- and intra-annual agricultural dynamics of parcel classification. Along with simple training adjustments, our model provides an improvement of over 6.6 mIoU points over the current state-of-the-art of crop classification. Furthermore, we release the first large-scale multi-year agricultural dataset with over 300,000 annotated parcels.
Abstract（参考訳）: 作物の年次回転は農業最適化において重要な役割を担っているが、自動収穫型マッピングでは無視されている。本稿では,アノテートされた衛星データ量の増加を活かし,パーセル分類の年内および年内農業動態を同時にモデル化する最初の深層学習手法を提案する。我々のモデルは、簡単な訓練調整とともに、作物分類の現状よりも6.6mIoU以上の改善を提供する。さらに,30万以上のアノテートパルセールを備えた,初の大規模多年農業データセットをリリースする。

関連論文リスト

Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文参考訳（メタデータ） (2024-03-27T08:42:47Z)
Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文参考訳（メタデータ） (2023-10-28T10:19:55Z)
HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文参考訳（メタデータ） (2023-08-23T11:03:28Z)
GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
論文参考訳（メタデータ） (2023-06-06T16:16:05Z)
Boosting Crop Classification by Hierarchically Fusing Satellite, Rotational, and Contextual Data [0.0]
本研究では,複数年にわたる精度向上とロバスト性向上のためのモデルにマルチモーダル情報を融合する新しい手法を提案する。このアプローチを評価するため、フランスとオランダで740万の農業パーセルの注釈付きデータセットを新たにリリースしました。
論文参考訳（メタデータ） (2023-05-19T21:42:53Z)
High-Resolution Satellite Imagery for Modeling the Impact of Aridification on Crop Production [2.5402662954395097]
我々は3つの異なる衛星から異なる空間解像度の時系列画像を持つ、第一種データセットSICKLEを紹介した。このデータセットは、デルタ州の4つの地区に分布する388個のプロットから、季節ごとに2,398個のサンプルで構成されている。本データセットは,作物の種類,表現年月日(播種,移植,収穫),収量予測の3つの異なるタスクについてベンチマークし,実環境において重要な作物パラメータを予測するためのエンドツーエンドのフレームワークを開発する。
論文参考訳（メタデータ） (2022-09-25T14:54:50Z)
Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time Series with Farmers Crop Rotations and Local Crop Distribution [0.0]
本稿では,3つのデータ型を用いた土地利用と作物型分類課題に取り組むことを提案する。 28級(.948)の5.1ポイント、9.6ポイントのマイクロF1の10級(.887)の精度。
論文参考訳（メタデータ） (2022-08-23T09:41:09Z)
Standardizing and Centralizing Datasets to Enable Efficient Training of Agricultural Deep Learning Models [0.0]
ディープラーニングモデルは通常、より一般的な非農業的なデータセットに適したモデルウェイトを使用して、農業タスクに微調整される。 3つの異なるタスクのために、さまざまな公開データセットを収集し、それらを標準化し、標準トレーニングと評価パイプラインを構築します。深層学習によく用いられる手法を用いて,多くの実験を行ったが,その分野固有の農業分野への応用については明らかにされていない。
論文参考訳（メタデータ） (2022-08-04T15:10:36Z)
Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
論文参考訳（メタデータ） (2022-07-08T10:25:47Z)
CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文参考訳（メタデータ） (2022-05-30T13:34:46Z)
Adaptive Weighting Scheme for Automatic Time-Series Data Augmentation [79.47771259100674]
データ拡張のための2つのサンプル適応自動重み付けスキームを提案する。提案手法を大規模でノイズの多い財務データセットとUCRアーカイブからの時系列データセット上で検証する。金融データセットでは、取引戦略と組み合わせた手法が50 $%$以上の年間収益の改善につながることを示し、時系列データでは、データセットの半分以上で最新モデルを上回るパフォーマンスを発揮し、他のものと同様の精度を達成しています。
論文参考訳（メタデータ） (2021-02-16T17:50:51Z)

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。