論文の概要: TorchGeo: deep learning with geospatial data

• arxiv url: http://arxiv.org/abs/2111.08872v1
• Date: Wed, 17 Nov 2021 02:47:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 22:27:32.170865
• Title: TorchGeo: deep learning with geospatial data
• Title（参考訳）: TorchGeo:地理空間データによるディープラーニング
• Authors: Adam J. Stewart, Caleb Robinson, Isaac A. Corley, Anthony Ortiz, Juan M. Lavista Ferres, Arindam Banerjee
• Abstract要約: 我々はPyTorchディープラーニングエコシステムに地理空間データを統合するためのPythonライブラリであるTorchGeoを紹介した。 TorchGeoは、ベンチマークデータセット、一般的な地理空間データソースのための構成可能なデータセット、地理空間データのためのサンプル、マルチスペクトル画像で動作する変換を提供する。 トーチジオは、マルチスペクトル衛星画像のための事前訓練されたモデルを提供する最初の図書館でもある。
• 参考スコア（独自算出の注目度）: 24.789143032205736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remotely sensed geospatial data are critical for applications including precision agriculture, urban planning, disaster monitoring and response, and climate change research, among others. Deep learning methods are particularly promising for modeling many remote sensing tasks given the success of deep neural networks in similar computer vision tasks and the sheer volume of remotely sensed imagery available. However, the variance in data collection methods and handling of geospatial metadata make the application of deep learning methodology to remotely sensed data nontrivial. For example, satellite imagery often includes additional spectral bands beyond red, green, and blue and must be joined to other geospatial data sources that can have differing coordinate systems, bounds, and resolutions. To help realize the potential of deep learning for remote sensing applications, we introduce TorchGeo, a Python library for integrating geospatial data into the PyTorch deep learning ecosystem. TorchGeo provides data loaders for a variety of benchmark datasets, composable datasets for generic geospatial data sources, samplers for geospatial data, and transforms that work with multispectral imagery. TorchGeo is also the first library to provide pre-trained models for multispectral satellite imagery (e.g. models that use all bands from the Sentinel 2 satellites), allowing for advances in transfer learning on downstream remote sensing tasks with limited labeled data. We use TorchGeo to create reproducible benchmark results on existing datasets and benchmark our proposed method for preprocessing geospatial imagery on-the-fly. TorchGeo is open-source and available on GitHub: https://github.com/microsoft/torchgeo.
• Abstract（参考訳）: リモートセンシングされた地理空間データは、精密農業、都市計画、災害監視と対応、気候変動研究などの応用に不可欠である。 ディープラーニングの手法は、類似のコンピュータビジョンタスクにおけるディープニューラルネットワークの成功と、利用可能なリモートセンシング画像の膨大なボリュームを考えると、多くのリモートセンシングタスクのモデリングに特に有望である。 しかし,データ収集手法のばらつきや地理空間メタデータの扱いにより,リモートセンシングデータへの深層学習手法の適用は容易ではない。 例えば、衛星画像には赤、緑、青以外のスペクトル帯域が含まれており、異なる座標系、境界、解像度を持つ他の地理空間データソースと結合する必要がある。 リモートセンシングアプリケーションにおけるディープラーニングの可能性を実現するために,地理空間データをPyTorchディープラーニングエコシステムに統合するPythonライブラリTorchGeoを紹介した。 torchgeoは、さまざまなベンチマークデータセット用のデータローダ、汎用地理空間データソース用のコンポーザブルデータセット、地理空間データ用のサンプラー、マルチスペクトル画像を扱う変換を提供する。 トーチジオはまた、マルチスペクトル衛星画像のための事前学習されたモデル(例えば、センチネル2衛星の全ての帯域を使用するモデル)を提供する最初のライブラリであり、ラベル付きデータを制限した下流リモートセンシングタスクにおける転送学習の進歩を可能にする。 我々はTorchGeoを用いて、既存のデータセット上で再現可能なベンチマーク結果を作成し、提案手法を用いて地空間画像の事前処理を行う。 torchgeoはオープンソースであり、githubで入手できる。

関連論文リスト

• An Autonomous GIS Agent Framework for Geospatial Data Retrieval [0.0]
  本研究では,必要な地理空間データを検索できる自律型GISエージェントフレームワークを提案する。 我々はQGISプラグイン(GeoData Retrieve Agent)とPythonプログラムとしてリリースされたフレームワークに基づいたプロトタイプエージェントを開発した。 実験の結果は、OpenStreetMap、行政境界、米国国勢調査局の人口統計データなど、さまざまなソースからデータを取得する能力を示している。
  論文  参考訳（メタデータ） (2024-07-13T14:23:57Z)
• TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning [36.725822223732635]
  位置(ポイント)エンコーディングのための学習フレームワークとベンチマークであるTorchSpatialを提案する。 TorchSpatialには3つの重要なコンポーネントが含まれている: 1) 一般的に認識されている15のロケーションエンコーダを統合する統合されたロケーションエンコーダフレームワーク、2) LocBenchベンチマークタスクは、7つのジオアウェアイメージ分類と4つのジオアウェアイメージ回帰データセットを含む。
  論文  参考訳（メタデータ） (2024-06-21T21:33:16Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization [61.10806364001535]
  世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。 既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。 画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-09-27T20:54:56Z)
• MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
  マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。 MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。 提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-01-11T03:05:12Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• Leveraging Domain Adaptation for Low-Resource Geospatial Machine Learning [0.0]
  多くのラベル付き地理空間データセットは特定の地域、楽器、極端な気象イベントに特化している。 提案した複数の地理空間ベンチマークに対する最新のドメイン適応の適用について検討する。
  論文  参考訳（メタデータ） (2021-07-11T06:47:20Z)
• PAIRS AutoGeo: an Automated Machine Learning Framework for Massive Geospatial Data [7.742399489996169]
  IBM PAIRS Geoscopeビッグデータおよび分析プラットフォームで、PAIRS AutoGeoと呼ばれる地理空間データのための自動機械学習フレームワークが導入された。 このフレームワークは、必要なデータをロケーション座標に収集し、トレーニングデータを組み立て、品質チェックを行い、その後のデプロイメントのために複数の機械学習モデルをトレーニングする。 このユースケースは、PAIRS AutoGeoが広範な地理空間の専門知識なしに機械学習を活用できるようにする方法の例です。
  論文  参考訳（メタデータ） (2020-12-12T21:12:41Z)

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。