論文の概要: AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning

• arxiv url: http://arxiv.org/abs/2202.00067v1
• Date: Mon, 31 Jan 2022 20:02:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-02 14:50:10.579158
• Title: AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning
• Title（参考訳）: AutoGeoLabel: 地理空間機械学習のためのラベル自動生成
• Authors: Conrad M Albrecht, Fernando Marianno, Levente J Klein
• Abstract要約: リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
• 参考スコア（独自算出の注目度）: 69.47585818994959
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key challenge of supervised learning is the availability of human-labeled data. We evaluate a big data processing pipeline to auto-generate labels for remote sensing data. It is based on rasterized statistical features extracted from surveys such as e.g. LiDAR measurements. Using simple combinations of the rasterized statistical layers, it is demonstrated that multiple classes can be generated at accuracies of ~0.9. As proof of concept, we utilize the big geo-data platform IBM PAIRS to dynamically generate such labels in dense urban areas with multiple land cover classes. The general method proposed here is platform independent, and it can be adapted to generate labels for other satellite modalities in order to enable machine learning on overhead imagery for land use classification and object detection.
• Abstract（参考訳）: 教師あり学習の重要な課題は、人間のラベル付きデータの入手である。 リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 これは、例えばLiDAR測定などの調査から抽出されたラスタ化統計特徴に基づいている。 ラスタ化統計層の単純な組み合わせを用いて, 0.9 以下の確率で複数のクラスを生成できることを実証した。 概念実証として,大規模地理データプラットフォームであるIBM PAIRSを用いて,複数の土地被覆クラスを持つ都市部において,そのようなラベルを動的に生成する。 本提案手法はプラットフォームに依存しない汎用手法であり,土地利用分類や物体検出のためのオーバーヘッド画像の機械学習を可能にするために,他の衛星モダリティのラベルを生成することができる。

関連論文リスト

• SAModified: A Foundation Model-Based Zero-Shot Approach for Refining Noisy Land-Use Land-Cover Maps [2.374912052693646]
  土地利用・土地被覆分析(LULC)はリモートセンシングにおいて重要である。 機械学習を用いたLULCマップの自動生成は、ノイズの多いラベルのため困難である。 基礎モデルSegment Anything Model (SAM) を用いたゼロショットアプローチを提案する。 ラベルノイズの顕著な低減と下流セグメンテーションモデルの性能向上を実現し,デノファイドラベルを用いてトレーニングすると,$approx 5%の値が得られた。
  論文  参考訳（メタデータ） (2024-12-17T05:23:00Z)
• Scalable Label-efficient Footpath Network Generation Using Remote Sensing Data and Self-supervised Learning [7.796025683842462]
  この研究は、機械学習モデルを用いてリモートセンシング画像に基づいて、フットパスネットワークを生成するための自動パイプラインを実装している。 教師付き手法は大量のトレーニングデータを必要とするため,アノテーションの要求を減らすために特徴表現学習に自己教師付き手法を用いる。 フットパス多角形を抽出してフットパスネットワークに変換し、地理的情報システムによって容易にロードおよび可視化することができる。
  論文  参考訳（メタデータ） (2023-09-18T02:56:40Z)
• A Benchmark Generative Probabilistic Model for Weak Supervised Learning [2.0257616108612373]
  アノテーションの負担を軽減するために、弱監視学習アプローチが開発されている。 遅延変数モデル(PLVM)が4つのデータセット間で最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2023-03-31T07:06:24Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび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ベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• The Word is Mightier than the Label: Learning without Pointillistic Labels using Data Programming [11.536162323162099]
  ほとんどの高度な教師付き機械学習(ML)モデルは、大量のポイントバイポイントラベル付きトレーニング例に依存している。 大量のデータをハンドラベリングすることは、面倒で、高価で、エラーを起こしやすい。
  論文  参考訳（メタデータ） (2021-08-24T19:11:28Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)
• PAIRS AutoGeo: an Automated Machine Learning Framework for Massive Geospatial Data [7.742399489996169]
  IBM PAIRS Geoscopeビッグデータおよび分析プラットフォームで、PAIRS AutoGeoと呼ばれる地理空間データのための自動機械学習フレームワークが導入された。 このフレームワークは、必要なデータをロケーション座標に収集し、トレーニングデータを組み立て、品質チェックを行い、その後のデプロイメントのために複数の機械学習モデルをトレーニングする。 このユースケースは、PAIRS AutoGeoが広範な地理空間の専門知識なしに機械学習を活用できるようにする方法の例です。
  論文  参考訳（メタデータ） (2020-12-12T21:12:41Z)
• SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
  我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。 まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。 次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
  論文  参考訳（メタデータ） (2020-11-20T08:26:10Z)
• Adversarial Knowledge Transfer from Unlabeled Data [62.97253639100014]
  本稿では,インターネット規模の未ラベルデータから知識を伝達し,分類器の性能を向上させるための新しいAdversarial Knowledge Transferフレームワークを提案する。 我々の手法の重要な新しい側面は、ラベル付けされていないソースデータは、ラベル付けされたターゲットデータと異なるクラスであることができ、個別のプリテキストタスクを定義する必要がないことである。
  論文  参考訳（メタデータ） (2020-08-13T08:04:27Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。