論文の概要: Unlocking large-scale crop field delineation in smallholder farming
systems with transfer learning and weak supervision
- arxiv url: http://arxiv.org/abs/2201.04771v1
- Date: Thu, 13 Jan 2022 03:01:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-14 15:16:53.873173
- Title: Unlocking large-scale crop field delineation in smallholder farming
systems with transfer learning and weak supervision
- Title（参考訳）: 転校学習と弱監督をともなう小作農家システムにおける大規模耕作地区分の解脱
- Authors: Sherrie Wang, Francois Waldner, David B. Lobell
- Abstract要約: 作物畑の境界は、作物の種類をマッピングし、収穫量を予測し、農家に大規模分析を提供する。
近年、産業用農業システムにおける分野境界の定式化にディープラーニングの応用が成功している。
インドでは1万のフィールドラベルを効率よく生成する手法が成功している。
- 参考スコア（独自算出の注目度）: 14.98900824231117
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Crop field boundaries aid in mapping crop types, predicting yields, and
delivering field-scale analytics to farmers. Recent years have seen the
successful application of deep learning to delineating field boundaries in
industrial agricultural systems, but field boundary datasets remain missing in
smallholder systems due to (1) small fields that require high resolution
satellite imagery to delineate and (2) a lack of ground labels for model
training and validation. In this work, we combine transfer learning and weak
supervision to overcome these challenges, and we demonstrate the methods'
success in India where we efficiently generated 10,000 new field labels. Our
best model uses 1.5m resolution Airbus SPOT imagery as input, pre-trains a
state-of-the-art neural network on France field boundaries, and fine-tunes on
India labels to achieve a median Intersection over Union (IoU) of 0.86 in
India. If using 4.8m resolution PlanetScope imagery instead, the best model
achieves a median IoU of 0.72. Experiments also show that pre-training in
France reduces the number of India field labels needed to achieve a given
performance level by as much as $20\times$ when datasets are small. These
findings suggest our method is a scalable approach for delineating crop fields
in regions of the world that currently lack field boundary datasets. We
publicly release the 10,000 labels and delineation model to facilitate the
creation of field boundary maps and new methods by the community.
- Abstract（参考訳）: 畑の境界は作物の種類をマッピングし、収穫量を予測し、農家にフィールドスケールの分析を提供する。
近年, 産業用農業システムにおけるフィールド境界決定へのディープラーニングの適用が成功しているが, 1) 衛星画像のデライン化を必要とする小フィールド, (2) モデルトレーニングと検証のためのグラウンドラベルの欠如などにより, フィールド境界データセットが小型システムに欠落している。
本研究では,これらの課題を克服するためにトランスファーラーニングと弱い監督を併用し,インドにおける手法の成功を実証し,そこでは1万の新しいフィールドラベルを効率よく生成する。
我々の最良のモデルでは、1.5m解像度のAirbus SPOTイメージを入力として使用し、フランスのフィールド境界に最先端のニューラルネットワークを事前トレーニングし、インドで0.86の中央値のIoU(Intersection over Union)を達成するために、インドのラベルを微調整します。
4.8m解像度のPlanetScope画像を使用すると、最良のモデルは0.72の中央値のIoUが得られる。
また、フランスでの事前トレーニングにより、特定のパフォーマンスレベルを達成するのに必要なインドフィールドラベルの数を、データセットが小さい場合には最大20\times$に削減することを示した。
これらの結果は,現在フィールドバウンダリデータセットを欠いている地域において,作物畑を区切るためのスケーラブルな手法であることを示唆している。
我々は,フィールド境界マップの作成とコミュニティによる新しい方法を容易にするために,10,000のラベルとデライン化モデルを公開する。
関連論文リスト
- Fields of The World: A Machine Learning Benchmark Dataset For Global Agricultural Field Boundary Segmentation [12.039406240082515]
Fields of The World (FTW)は、農業分野のインスタンスセグメンテーションのための新しいベンチマークデータセットである。
FTWは70,462個のサンプルを持つ以前のデータセットよりも桁違いに大きい。
FTWで訓練されたモデルは、留保国において、ゼロショットと微調整性能が向上していることを示す。
論文 参考訳（メタデータ） (2024-09-24T17:20:58Z) - Multi-Region Transfer Learning for Segmentation of Crop Field Boundaries in Satellite Images with Limited Labels [6.79949280366368]
本稿では,ラベル付きデータを持たない地域での衛星画像における作物の畑の境界のセグメンテーションについて述べる。
提案手法は既存の手法よりも優れており,マルチリージョン転送学習によって複数のモデルアーキテクチャの性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-03-29T22:24:12Z) - Taking it further: leveraging pseudo labels for field delineation across
label-scarce smallholder regions [2.8120847363433654]
本研究は、地理とセンサ特性を横断する微調整モデルにスパースフィールドデライン付き擬似ラベルを使用する機会について検討する。
本研究では,インドにおける作物の作付けを訓練したフラクタルResUNetを構築し,この事前学習モデルを用いてモザンビークの擬似ラベルを生成する。
次に、人間の注釈付きラベルと擬似ラベルをモデル微調整に使用し、人体アノテーションに対する予測を比較した。
論文 参考訳（メタデータ） (2023-12-12T08:39:07Z) - Optimization Efficient Open-World Visual Region Recognition [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2023-11-02T16:31:49Z) - 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) - Using Machine Learning to generate an open-access cropland map from
satellite images time series in the Indian Himalayan Region [0.28675177318965034]
我々は,Sentinel-2衛星画像時系列に依存するMLパイプラインを開発した。
ヒマハル・プラデーシュの3つの地区で14,600 km2の農地マップを作成し、既存の公共地図の解像度と品質を改善した。
論文 参考訳（メタデータ） (2022-03-28T12:08:06Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - Streaming Self-Training via Domain-Agnostic Unlabeled Images [62.57647373581592]
視覚認識モデル学習の過程を民主化することを目的としたストリーミング自己学習(SST)を提案する。
SSTの鍵となるのは、(1)ドメインに依存しない未ラベル画像により、追加の知識や監督なしにいくつかのラベル付き例でより良いモデルを学ぶことができ、(2)学習は継続的なプロセスであり、学習更新のスケジュールを構築することで行うことができる。
論文 参考訳（メタデータ） (2021-04-07T17:58:39Z) - 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) - Small, Sparse, but Substantial: Techniques for Segmenting Small
Agricultural Fields Using Sparse Ground Data [4.850320383827591]
機械学習と画像処理を組み合わせた多段階的手法を提案する。
高分解能画像を用いた評価では,Fスコアが0.84で,Fスコアが0.73,小フィールドが0.84であった。
論文 参考訳（メタデータ） (2020-05-05T05:26:19Z) - Agriculture-Vision: A Large Aerial Image Database for Agricultural
Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。
各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。
農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文 参考訳（メタデータ） (2020-01-05T20:19:33Z)
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。