論文の概要: Reconstruction of Sentinel-2 Time Series Using Robust Gaussian Mixture Models -- Application to the Detection of Anomalous Crop Development in wheat and rapeseed crops

• arxiv url: http://arxiv.org/abs/2110.11780v1
• Date: Fri, 22 Oct 2021 13:35:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-25 20:35:28.084973
• Title: Reconstruction of Sentinel-2 Time Series Using Robust Gaussian Mixture Models -- Application to the Detection of Anomalous Crop Development in wheat and rapeseed crops
• Title（参考訳）: ロバストガウス混合モデルによるセンチネル-2時系列の再構成 -コムギおよびラピセド作物の異常作物発生検出への応用-
• Authors: Florian Mouret, Mohanad Albughdadi, Sylvie Duthoit, Denis Kouam\'e, Guillaume Rieu, Jean-Yves Tourneret
• Abstract要約: データの欠落は、主にマルチスペクトル画像のクラウドカバレッジと取得の問題によって、リモートセンシングにおいて繰り返し発生する問題である。 マルチスペクトル画像から抽出したパーセルレベルの特徴を再構成するためのガウス混合モデル(GMM)を提案する。 また、Sentinel-1データを用いた合成開口レーダ(SAR)画像から抽出した付加的特徴を用いて補完情報を提供する。
• 参考スコア（独自算出の注目度）: 14.849671539394272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Missing data is a recurrent problem in remote sensing, mainly due to cloud coverage for multispectral images and acquisition problems. This can be a critical issue for crop monitoring, especially for applications relying on machine learning techniques, which generally assume that the feature matrix does not have missing values. This paper proposes a Gaussian Mixture Model (GMM) for the reconstruction of parcel-level features extracted from multispectral images. A robust version of the GMM is also investigated, since datasets can be contaminated by inaccurate samples or features (e.g., wrong crop type reported, inaccurate boundaries, undetected clouds, etc). Additional features extracted from Synthetic Aperture Radar (SAR) images using Sentinel-1 data are also used to provide complementary information and improve the imputations. The robust GMM investigated in this work assigns reduced weights to the outliers during the estimation of the GMM parameters, which improves the final reconstruction. These weights are computed at each step of an Expectation-Maximization (EM) algorithm by using outlier scores provided by the isolation forest algorithm. Experimental validation is conducted on rapeseed and wheat parcels located in the Beauce region (France). Overall, we show that the GMM imputation method outperforms other reconstruction strategies. A mean absolute error (MAE) of 0.013 (resp. 0.019) is obtained for the imputation of the median Normalized Difference Index (NDVI) of the rapeseed (resp. wheat) parcels. Other indicators (e.g., Normalized Difference Water Index) and statistics (for instance the interquartile range, which captures heterogeneity among the parcel indicator) are reconstructed at the same time with good accuracy. In a dataset contaminated by irrelevant samples, using the robust GMM is recommended since the standard GMM imputation can lead to inaccurate imputed values.
• Abstract（参考訳）: データの欠落はリモートセンシングにおいて繰り返し発生する問題であり、主にマルチスペクトル画像のクラウドカバレッジと取得の問題による。 これは、特に機械学習技術に依存するアプリケーションにおいて、特に、機能マトリックスが欠落した値を持っていないと一般的に想定される、作物のモニタリングにとって重要な問題である。 マルチスペクトル画像から抽出したパーセルレベルの特徴を再構成するためのガウス混合モデル(GMM)を提案する。 データセットは不正確なサンプルや特徴によって汚染されるため、GMMの堅牢なバージョンも調査されている(例えば、誤った作物タイプ、不正確な境界、未検出の雲など)。 sentinel-1データを用いた合成開口レーダ(sar)画像から抽出した追加の特徴は、補完的情報を提供し、インプテーションを改善するためにも用いられる。 本研究で検討したロバストなGMMは,GMMパラメータの推定時に外周に減重を割り当て,最終的な再構成を改善する。 これらの重みは、分離フォレストアルゴリズムが提供する外れ値を用いて、期待最大化(em)アルゴリズムの各ステップで計算される。 ボース地域(フランス)のラプシーズと小麦の果肉について実験的に検証した。 全体として,GMM計算法は他の再建戦略よりも優れていることを示す。 平均絶対誤差(mae)は0.013(resp. 0.019)であり、レイプされた(resp. wheat)パーセルの中央正規化差指数(ndvi)を含意する。 他の指標(例:正規化差水指数)と統計(例:パーセルインジケータの不均一性を捉えた異種間距離)は、精度良く同時に再構成される。 無関係なサンプルによって汚染されたデータセットでは、標準のGMM計算が不正確な不正確な値をもたらす可能性があるため、ロバストなGMMを使用することが推奨される。

関連論文リスト

• Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
  大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。 提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
  論文  参考訳（メタデータ） (2024-02-27T15:08:57Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Missing Data Imputation and Acquisition with Deep Hierarchical Models and Hamiltonian Monte Carlo [2.666288135543677]
  混合型不完全データに対する階層型VAEモデルであるHH-VAEMを提案する。 実験の結果,HH-VAEMはデータ計算の欠如,教師付き学習,外れ値同定といったタスクにおいて,既存のベースラインよりも優れていた。 また,HH-VAEMで特徴が得られない場合に,情報ゲインを効率的に計算するためのサンプリングベース手法を提案する。
  論文  参考訳（メタデータ） (2022-02-09T17:50:52Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Overcoming Catastrophic Forgetting with Gaussian Mixture Replay [79.0660895390689]
  ガウス混合モデル(GMM)に基づく連続学習(CL)のためのリハーサルベースアプローチを提案する。 過去のタスクからサンプルを生成し,現在のトレーニングデータと統合することで,破滅的忘れ(cf)を緩和する。 複数の画像データセットでGMRを評価し,クラス別サブタスクに分割する。
  論文  参考訳（メタデータ） (2021-04-19T11:41:34Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Handling missing data in model-based clustering [0.0]
  欠損データの存在下でガウス混合体を適合させる2つの方法を提案する。 どちらの手法もデータ拡張のためにモンテカルロ予測最大化アルゴリズムの変種を用いる。 提案手法はクラスタ同定と密度推定の両面で多重計算手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-04T15:36:31Z)
• Effective Learning of a GMRF Mixture Model [8.336315962271396]
  我々はGMMをガウスマルコフ確率場混合モデル(GMRF-MM)に限定することを提案する。 各行列の空間パターンが知られているとき、その行列の最大近似(MLE)の効率的な最適化法を提案する。 GMRFとGMRF-MMの両症例でGLASSOの「偏り」はGLASSOよりも優れていた。
  論文  参考訳（メタデータ） (2020-05-18T19:00:14Z)

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。