Fugu-MT 論文翻訳(概要): Multi-Label Classification on Remote-Sensing Images

論文の概要: Multi-Label Classification on Remote-Sensing Images

arxiv url: http://arxiv.org/abs/2201.01971v1
Date: Thu, 6 Jan 2022 08:42:32 GMT
ステータス: 処理完了
システム内更新日: 2022-01-07 19:11:01.444271
Title: Multi-Label Classification on Remote-Sensing Images
Title（参考訳）: リモートセンシング画像のマルチラベル分類
Authors: Aditya Kumar Singh and B. Uma Shankar
Abstract要約: 本報告は、アマゾン熱帯雨林の衛星画像チップに、さまざまな機械学習モデルと優れたディープラーニングモデルを通して、大気および様々な土地被覆や土地利用のクラスをラベル付けすることを目的としている。今までのベストスコアは、F2測定値が0.927である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Acquiring information on large areas on the earth's surface through satellite cameras allows us to see much more than we can see while standing on the ground. This assists us in detecting and monitoring the physical characteristics of an area like land-use patterns, atmospheric conditions, forest cover, and many unlisted aspects. The obtained images not only keep track of continuous natural phenomena but are also crucial in tackling the global challenge of severe deforestation. Among which Amazon basin accounts for the largest share every year. Proper data analysis would help limit detrimental effects on the ecosystem and biodiversity with a sustainable healthy atmosphere. This report aims to label the satellite image chips of the Amazon rainforest with atmospheric and various classes of land cover or land use through different machine learning and superior deep learning models. Evaluation is done based on the F2 metric, while for loss function, we have both sigmoid cross-entropy as well as softmax cross-entropy. Images are fed indirectly to the machine learning classifiers after only features are extracted using pre-trained ImageNet architectures. Whereas for deep learning models, ensembles of fine-tuned ImageNet pre-trained models are used via transfer learning. Our best score was achieved so far with the F2 metric is 0.927.
Abstract（参考訳）: 衛星カメラで地球表面の広い範囲の情報を取得することは、地上に立っている間に見られる以上のものを見ることを可能にする。これは、土地利用パターン、大気条件、森林被覆、および多くの未登録の側面のような領域の物理的特性の検出と監視を支援する。得られた画像は連続的な自然現象を追跡するだけでなく、深刻な森林破壊の世界的な課題に取り組む上でも重要である。中でもAmazonは毎年最大のシェアを占めている。適切なデータ分析は、持続的な健全な環境で生態系と生物多様性に対する有害な影響を制限するのに役立つだろう。本報告は,アマゾン熱帯雨林の衛星画像チップに,異なる機械学習と優れたディープラーニングモデルを用いて,大気および様々な土地被覆や土地利用を分類することを目的としている。評価はF2測度に基づいて行われ、損失関数については、Sigmoid cross-entropy と Softmax cross-entropy の両方がある。事前訓練されたimagenetアーキテクチャを使用して特徴のみを抽出すると、画像は機械学習分類器に間接的に供給される。ディープラーニングモデルでは、微調整されたimagenet事前学習モデルのアンサンブルが転送学習によって使用される。今までのベストスコアは、F2測定値が0.927である。

関連論文リスト

Evaluation of Deep Learning Semantic Segmentation for Land Cover Mapping on Multispectral, Hyperspectral and High Spatial Aerial Imagery [0.0]
気候変動の台頭で、土地被覆マッピングは環境モニタリングにおいて緊急に必要となってきた。本研究では,Unet,Linknet,FPN,PSPnetなどのセマンティックセグメンテーション手法を用いて植生や水などの分類を行った。 LinkNetモデルは、すべてのデータセットで0.92の精度でIoUで取得した。
論文参考訳（メタデータ） (2024-06-20T11:40:12Z)
Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
論文参考訳（メタデータ） (2024-05-22T16:07:05Z)
SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文参考訳（メタデータ） (2024-03-25T10:30:22Z)
CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文参考訳（メタデータ） (2023-05-01T23:11:18Z)
Deep Learning Models for River Classification at Sub-Meter Resolutions from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
論文参考訳（メタデータ） (2022-12-27T20:56:34Z)
Forestry digital twin with machine learning in Landsat 7 data [1.7142728048327458]
本研究では,20年以内にLandsat 7リモートセンシング画像を用いたLSTMを用いた森林モデリング手法を提案する。実験結果から,本論文における予測双対法は,研究領域の将来像を効果的に予測できることが示唆された。
論文参考訳（メタデータ） (2022-04-02T14:14:28Z)
Towards Targeted Change Detection with Heterogeneous Remote Sensing Images for Forest Mortality Mapping [0.0]
イベントが使用される前のランドサット-5 テーママッパーイメージを使用し、RADARSAT-2 はイベント後の画像を提供する。我々は最近開発された2つの領域間の翻訳のための深層学習手法を用いて、マルチスペクトル光と合成開口レーダ(SAR)の差画像を得る。
論文参考訳（メタデータ） (2022-02-28T19:32:52Z)
Topo2vec: Topography Embedding Using the Fractal Effect [3.957174470017176]
リモートセンシング画像におけるフラクタル効果を利用した自己教師型学習手法の拡張を提案する。提案手法の有効性を標高データに示すとともに,その効果を推論に用いた。我々の知る限りでは、地形画像の汎用表現を構築しようとする最初の試みである。
論文参考訳（メタデータ） (2021-08-19T18:34:23Z)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
Non-Homogeneous Haze Removal via Artificial Scene Prior and Bidimensional Graph Reasoning [52.07698484363237]
本研究では,人工シーンの前置と2次元グラフ推論による不均質なヘイズ除去ネットワーク(nhrn)を提案する。本手法は,単一画像デハジングタスクとハイザイ画像理解タスクの両方において,最先端アルゴリズムよりも優れた性能を実現する。
論文参考訳（メタデータ） (2021-04-05T13:04:44Z)
Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。 MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
論文参考訳（メタデータ） (2020-10-15T15:36:58Z)

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。