論文の概要: Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data
- arxiv url: http://arxiv.org/abs/2201.10985v1
- Date: Wed, 26 Jan 2022 14:58:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-27 13:32:58.162052
- Title: Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data
- Title(参考訳): Jaliscoのマルチクラス土地被覆解析と実世界のマルチスペクトル・リリーフデータを用いた軽量共振器を用いた分類
- Authors: Alexander Quevedo, Abraham S\'anchez, Raul Nancl\'ares, Diana P.
Montoya, Juan Pacho, Jorge Mart\'inez, and E. Ulises Moya-S\'anchez
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 51.715517570634994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The understanding of global climate change, agriculture resilience, and
deforestation control rely on the timely observations of the Land Use and Land
Cover Change (LULCC). Recently, some deep learning (DL) methods have been
adapted to make an automatic classification of Land Cover (LC) for global and
homogeneous data. However, most of these DL models can not apply effectively to
real-world data. i.e. a large number of classes, multi-seasonal data, diverse
climate regions, high imbalance label dataset, and low-spatial resolution. In
this work, we present our novel lightweight (only 89k parameters) Convolution
Neural Network (ConvNet) to make LC classification and analysis to handle these
problems for the Jalisco region. In contrast to the global approaches, the
regional data provide the context-specificity that is required for policymakers
to plan the land use and management, conservation areas, or ecosystem services.
In this work, we combine three real-world open data sources to obtain 13
channels. Our embedded analysis anticipates the limited performance in some
classes and gives us the opportunity to group the most similar, as a result,
the test accuracy performance increase from 73 % to 83 %. We hope that this
research helps other regional groups with limited data sources or computational
resources to attain the United Nations Sustainable Development Goal (SDG)
concerning Life on Land.
- Abstract(参考訳): 地球規模の気候変動、農業のレジリエンス、森林伐採管理の理解は、土地利用・土地被覆変化(LULCC)のタイムリーな観察に依存している。
近年,Land Cover(LC)のグローバルおよび同質データの自動分類に,いくつかのディープラーニング(DL)手法が適用されている。
しかし、これらのDLモデルは現実世界のデータに効果的に適用できない。
すなわち、多数のクラス、マルチシーズンのデータ、多様な気候領域、高不均衡ラベルデータセット、低空間解像度である。
本研究では,LC分類と解析を行い,これらの問題をJalisco領域で扱うための軽量(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。
グローバルアプローチとは対照的に、地域データは、政策立案者が土地利用と管理、保全地域または生態系サービスを計画しなければならない状況固有のものを提供する。
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性能を期待し,最も類似したグループ化を行う機会を与え,その結果,テスト精度は73 %から83 %に向上した。
本研究は,地球上の生命に関する国連持続可能な開発目標(SDG)を達成するために,限られたデータソースや計算資源を持つ他の地域グループを支援することを願っている。
関連論文リスト
- Global-Liar: Factuality of LLMs over Time and Geographic Regions [3.715487408753612]
本研究は, GPT-3.5 や GPT-4 を含む広く採用されている GPT モデルにおける実測精度, 安定性, バイアスを評価する。
地理的および時間的表現の観点から一意にバランスのとれたデータセットである「Global-Liar」を導入する。
論文 参考訳(メタデータ) (2024-01-31T13:57:24Z) - Recognize Any Regions [59.08881073582635]
RegionSpotは、ローカライゼーション基盤モデルから位置認識のローカライゼーション知識と、ViLモデルから抽出されたセマンティック情報を統合するように設計されている。
我々のモデルは平均的精度(mAP)でGLIPを6.5%上回り、より困難で稀なカテゴリーではさらに14.8%の差がある。
論文 参考訳(メタデータ) (2023-11-02T16:31:49Z) - The Canadian Cropland Dataset: A New Land Cover Dataset for
Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。
このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。
ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
論文 参考訳(メタデータ) (2023-05-31T18:40:15Z) - A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。
SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。
一般的な3つの分類基準で30以上のSFDA法を比較検討した。
論文 参考訳(メタデータ) (2023-02-23T06:32:09Z) - FedLAP-DP: Federated Learning by Sharing Differentially Private Loss
Approximations [58.192338472631405]
FedLAP-DPは、フェデレーション学習のための新しいプライバシー保護アプローチである。
我々の定式化は、クライアントから受信した合成サンプルを活用することで、グローバルな最適化を可能にします。
プライバシーの懸念が高まりつつある中で、私たちのアプローチがレコードレベルの差分プライバシーとシームレスに機能することを実証しています。
論文 参考訳(メタデータ) (2023-02-02T12:56:46Z) - Scene-to-Patch Earth Observation: Multiple Instance Learning for Land
Cover Classification [6.595290783361959]
土地被覆分類 (LCC) は気候変動の緩和と適応において重要なプロセスである。
LCCのための地球観測データと機械学習を使用する既存のアプローチは、完全に注釈付きおよびセグメント化されたデータセットに依存している。
我々は,高レベルなシーンラベルのみを必要とするマルチインスタンス学習(MIL)を利用したLCCアプローチであるScene-to-Patchモデルを提案する。
論文 参考訳(メタデータ) (2022-11-15T15:58:34Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳(メタデータ) (2022-11-12T09:21:49Z) - Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
既存のアプローチでは、両方の問題が存在するシナリオに対処できません。
本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。
AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
論文 参考訳(メタデータ) (2022-07-20T19:07:46Z) - High-resolution landscape-scale biomass mapping using a spatiotemporal
patchwork of LiDAR coverages [0.0]
温室効果ガス推定において,森林土壌のバイオマスの微細な評価がますます重要になっている。
ここでは、トレーニングデータの選択、地域的あるいは範囲的な偏見やエラーの調査、複数スケールでのマップパターンなど、一般的な障害に対処する。
我々のモデルは全体として正確であり (% RMSE 13-33%) バイアスが非常に低く (MBE $leq$$pm$5 Mg ha$-1$) 、ほとんどのフィールドオブザーバの変動を説明した。
論文 参考訳(メタデータ) (2022-05-17T17:53:50Z) - Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文 参考訳(メタデータ) (2021-12-02T17:10:52Z)
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。