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

• Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
  我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。 我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。 また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T17:22:55Z)
• Cross-Country Comparative Analysis of Climate Resilience and Localized Mapping in Data-Sparse Regions [0.0]
  農業は低所得国(一般)で最も気候変動に弱い 本稿では,セクター気候の弾力性に関するクロスカントリー比較分析の枠組みを紹介する。 この研究は、lic間の共有脆弱性と適応戦略を特定し、より効果的なポリシー設計を可能にした。
  論文  参考訳（メタデータ） (2024-09-13T12:12:26Z)
• Reuse out-of-year data to enhance land cover mappingvia feature disentanglement and contrastive learning [5.936030178022172]
  土地利用/土地被覆(LULC)地図は、農業領域の管理、環境モニタリング、持続可能な意思決定を支援する上で重要な役割を果たしている。 新しい基底真理データを収集する必要があるため、以前に収集された参照データを完全に無視する。 本稿では,2つの異なる領域からのリモートセンシングと参照データを組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-17T07:00:20Z)
• GLC++: Source-Free Universal Domain Adaptation through Global-Local Clustering and Contrastive Affinity Learning [84.54244771470012]
  Source-Free Universal Domain Adaptation (SF-UniDA) は、共通カテゴリに属する「既知の」データを正確に分類することを目的としている。 本稿では,適応的な一対一のグローバルクラスタリングアルゴリズムを備えた新しいグローバル・ローカルクラスタリング(GLC)手法を提案する。 我々はGLCをGLC++に進化させ、対照的な親和性学習戦略を統合する。
  論文  参考訳（メタデータ） (2024-03-21T13:57:45Z)
• 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)
• 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)
• 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)
• 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。