論文の概要: SyntEO: Synthetic Dataset Generation for Earth Observation with Deep
Learning -- Demonstrated for Offshore Wind Farm Detection
- arxiv url: http://arxiv.org/abs/2112.02829v1
- Date: Mon, 6 Dec 2021 07:33:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 14:57:45.477849
- Title: SyntEO: Synthetic Dataset Generation for Earth Observation with Deep
Learning -- Demonstrated for Offshore Wind Farm Detection
- Title（参考訳）: SyntEO: 深層学習による地球観測のための合成データセット生成 オフショア風力発電検出のための実証
- Authors: Thorsten Hoeser and Claudia Kuenzer
- Abstract要約: 提案されたSyntEOアプローチにより、地球観測研究者は大規模なディープラーニング対応データセットを自動生成できる。
SyntEOは、データ生成プロセスに専門家の知識を高度に構造化された方法で組み込むことによって、これを実現します。
我々は,世界最大規模の沖合風力発電所のセンチネル1号画像から沖合風力発電所を予測し,SyntEOの手法を実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the emergence of deep learning in the last years, new opportunities
arose in Earth observation research. Nevertheless, they also brought with them
new challenges. The data-hungry training processes of deep learning models
demand large, resource expensive, annotated datasets and partly replaced
knowledge-driven approaches, so that model behaviour and the final prediction
process became a black box. The proposed SyntEO approach enables Earth
observation researchers to automatically generate large deep learning ready
datasets and thus free up otherwise occupied resources. SyntEO does this by
including expert knowledge in the data generation process in a highly
structured manner. In this way, fully controllable experiment environments are
set up, which support insights in the model training. Thus, SyntEO makes the
learning process approachable and model behaviour interpretable, an important
cornerstone for explainable machine learning. We demonstrate the SyntEO
approach by predicting offshore wind farms in Sentinel-1 images on two of the
worlds largest offshore wind energy production sites. The largest generated
dataset has 90,000 training examples. A basic convolutional neural network for
object detection, that is only trained on this synthetic data, confidently
detects offshore wind farms by minimising false detections in challenging
environments. In addition, four sequential datasets are generated,
demonstrating how the SyntEO approach can precisely define the dataset
structure and influence the training process. SyntEO is thus a hybrid approach
that creates an interface between expert knowledge and data-driven image
analysis.
- Abstract（参考訳）: 近年の深層学習の出現により、地球観測研究に新たな機会が生まれた。
それにもかかわらず、彼らは新たな挑戦をももたらした。
ディープラーニングモデルのデータハングリートレーニングプロセスは、大規模でリソースコストが高く、注釈付きデータセットを必要とし、知識駆動型アプローチの一部を置き換えることで、モデルの振る舞いと最終的な予測プロセスがブラックボックスになる。
提案されたSyntEOアプローチにより、地球観測研究者は大規模な深層学習可能なデータセットを自動的に生成し、それ以外のリソースを解放することができる。
synteoは、データ生成プロセスに専門家の知識を高度に構造化することでこれを実現している。
このように、完全に制御可能な実験環境が設定され、モデルトレーニングの洞察を支援する。
したがって、synteoは学習プロセスをアプローチ可能にし、モデルの振る舞いを解釈可能にします。
我々は,世界最大規模の沖合風力発電所のセンチネル1号画像から沖合風力発電所を予測し,SyntEOの手法を実証した。
最大のデータセットには、90000のトレーニング例がある。
オブジェクト検出のための基本的な畳み込みニューラルネットワークは、この合成データに基づいてのみ訓練され、挑戦的な環境で偽検出を最小限にすることで、オフショア風力発電所を確実に検出する。
さらに、4つのシーケンシャルデータセットが生成され、SyntEOアプローチがデータセット構造を正確に定義し、トレーニングプロセスに影響を与える方法を示す。
それゆえ、SyntEOは専門家の知識とデータ駆動型画像分析のインターフェースを作成するハイブリッドアプローチである。
関連論文リスト
- Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis [0.0]
本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。
提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。
提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
論文 参考訳（メタデータ） (2024-11-04T09:51:10Z) - Behaviour Distillation [10.437472004180883]
我々は、専門家ポリシーのトレーニングに必要な情報を合成データセットに発見・凝縮することを目的とした行動蒸留を定式化する。
次に,Halucinating datasets with Evolution Strategies (HaDES)を紹介した。
これらのデータセットは分散から多種多様なアーキテクチャでトレーニングポリシーへと一般化されていることを示す。
また、下流タスク、すなわちゼロショット方式でマルチタスクエージェントを訓練するアプリケーションの実演を行う。
論文 参考訳（メタデータ） (2024-06-21T10:45:43Z) - High-Resolution Detection of Earth Structural Heterogeneities from Seismic Amplitudes using Convolutional Neural Networks with Attention layers [0.31457219084519]
本稿では,CNN(Convolutional Neural Networks)とアテンション層を組み合わせた構造的不均一性検出のための効率的で費用対効果の高いアーキテクチャを提案する。
我々のモデルは最先端技術と比較して半分のパラメータを持ち、IoU(Intersection over Union)では0.6%、精度は0.4%という従来の手法よりも優れています。
論文 参考訳（メタデータ） (2024-04-15T22:49:37Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳（メタデータ） (2023-10-25T20:32:02Z) - A spectrum of physics-informed Gaussian processes for regression in
engineering [0.0]
センサとデータ全般の可用性は向上していますが、純粋なデータ駆動アプローチから多くのサービス内エンジニアリングシステムや構造を完全に特徴づけることはできません。
本稿では、限られたデータで予測モデルを作成する能力を高めるために、機械学習技術と物理に基づく推論の組み合わせを追求する。
論文 参考訳（メタデータ） (2023-09-19T14:39:03Z) - Methodology for generating synthetic labeled datasets for visual
container inspection [0.0]
本稿では,コンテナの視覚的検査タスクのための,現実的,多様性のある,バランスの取れた,ラベル付きデータセットを生成するための革新的な方法論を提案する。
生成された合成ラベル付きデータセットは、現実世界のシナリオで使用できるディープニューラルネットワークのトレーニングを可能にすることを実証する。
論文 参考訳（メタデータ） (2023-06-26T10:51:18Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - Generalizing Dataset Distillation via Deep Generative Prior [75.9031209877651]
本稿では,データセット全体の知識をいくつかの合成画像に抽出することを提案する。
このアイデアは、学習アルゴリズムにトレーニングデータとして与えられる少数の合成データポイントを合成し、結果として元のデータに基づいてトレーニングされたデータを近似するモデルを構築する。
生成モデルの潜在空間における複数の中間特徴ベクトルに多数の画像を蒸留する新しい最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-02T17:59:31Z) - Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。
我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-09-29T15:24:47Z) - Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。
両手法の有効性とロバスト性を実証的に示す。
我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
論文 参考訳（メタデータ） (2022-05-12T17:03:57Z)
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。