論文の概要: 3D Visualization and Spatial Data Mining for Analysis of LULC Images

• arxiv url: http://arxiv.org/abs/2202.00123v1
• Date: Fri, 28 Jan 2022 07:51:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-05 09:01:17.656737
• Title: 3D Visualization and Spatial Data Mining for Analysis of LULC Images
• Title（参考訳）: LULC画像解析のための3次元可視化と空間データマイニング
• Authors: B. G. Kodge
• Abstract要約: 本研究では,3次元可視化における土地利用土地被覆(LUCL)画像解析のための新しいツールの開発を試みた。 本研究は主に高解像度LULC衛星画像における空間データマイニング技術を用いている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The present study is an attempt made to create a new tool for the analysis of Land Use Land Cover (LUCL) images in 3D visualization. This study mainly uses spatial data mining techniques on high resolution LULC satellite imagery. Visualization of feature space allows exploration of patterns in the image data and insight into the classification process and related uncertainty. Visual Data Mining provides added value to image classifications as the user can be involved in the classification process providing increased confidence in and understanding of the results. In this study, we present a prototype of image segmentation, K-Means clustering and 3D visualization tool for visual data mining (VDM) of LUCL satellite imagery into volume visualization. This volume based representation divides feature space into spheres or voxels. The visualization tool is showcased in a classification study of high-resolution LULC imagery of Latur district (Maharashtra state, India) is used as sample data.
• Abstract（参考訳）: 本研究では,3次元可視化における土地利用土地被覆(LUCL)画像解析のための新しいツールの開発を試みた。 本研究は主に高分解能lc衛星画像の空間データマイニング技術を用いて行う。 特徴空間の可視化は、画像データのパターンの探索と分類過程と関連する不確実性に関する洞察を可能にする。 視覚的データマイニングは、ユーザーが分類プロセスに関与し、結果に対する自信を高め、理解することができるため、画像分類に付加価値を提供する。 本研究では,lucl衛星画像の視覚データマイニング(vdm)のための画像分割,k-meansクラスタリング,および3次元可視化ツールの試作を行った。 この体積に基づく表現は、特徴空間を球面またはボクセルに分割する。 可視化ツールは,インド・マハラシュトラ州ラトゥル地区の高解像度LULC画像の分類研究において,サンプルデータとして用いられている。

関連論文リスト

• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• RadOcc: Learning Cross-Modality Occupancy Knowledge through Rendering Assisted Distillation [50.35403070279804]
  マルチビュー画像を用いた3次元シーンの占有状況とセマンティクスを推定することを目的とした,新たな課題である3D占有予測手法を提案する。 本稿では,RandOccを提案する。Rendering Assisted distillation paradigm for 3D Occupancy prediction。
  論文  参考訳（メタデータ） (2023-12-19T03:39:56Z)
• A Survey of Graph and Attention Based Hyperspectral Image Classification Methods for Remote Sensing Data [5.1901440366375855]
  ハイパースペクトルイメージング(HSI)の分類におけるディープラーニング技術の利用は急速に増加している。 最近の手法では、グラフ畳み込みネットワークの利用と、予測にノード機能を使用するユニークな機能についても検討されている。
  論文  参考訳（メタデータ） (2023-10-16T00:42:25Z)
• RRSIS: Referring Remote Sensing Image Segmentation [25.538406069768662]
  リモートセンシング画像から所望のオブジェクトをローカライズすることは、実用的な用途において非常に有用である。 与えられた表現が参照する対象を分割することを目的とした画像分割の参照は、自然画像において広範囲に研究されている。 本稿では、このギャップを埋めるため、リモートセンシング画像セグメンテーション(RRSIS)を紹介し、洞察に富んだ探索を行う。
  論文  参考訳（メタデータ） (2023-06-14T16:40:19Z)
• Object Detection in Hyperspectral Image via Unified Spectral-Spatial Feature Aggregation [55.9217962930169]
  S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。 S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
  論文  参考訳（メタデータ） (2023-06-14T09:01:50Z)
• Multiscale Analysis for Improving Texture Classification [62.226224120400026]
  本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。 バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
  論文  参考訳（メタデータ） (2022-04-21T01:32:22Z)
• Sci-Net: a Scale Invariant Model for Building Detection from Aerial Images [0.0]
  本研究では,空間分解能の異なる空間画像に存在している建物を分割できるスケール不変ニューラルネットワーク(Sci-Net)を提案する。 具体的には,U-Netアーキテクチャを改良し,それを高密度なASPP(Atrous Space Pyramid Pooling)で融合し,微細なマルチスケール表現を抽出した。
  論文  参考訳（メタデータ） (2021-11-12T16:45:20Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection [102.62963605429508]
  ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。 現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。 Aware 3D Semantic Detection (DASS) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T14:17:40Z)
• Detecting the Presence of Vehicles and Equipment in SAR Imagery Using Image Texture Features [0.0]
  低解像度SAR画像における人為的・建設的活動のモニタリング手法を提案する。 我々のデータソースは欧州宇宙機関(ESA)のSentinel-l衛星で、12日間のリビジットレートで地球をカバーしています。 探索的データセットを用いて、サポートベクターマシン(SVM)、ランダムなバイナリフォレスト、完全に接続されたニューラルネットワークの分類を訓練した。
  論文  参考訳（メタデータ） (2020-09-10T13:59:52Z)
• Learning Hyperspectral Feature Extraction and Classification with ResNeXt Network [2.9967206019304937]
  ハイパースペクトル画像分類 (HSI) は標準的なリモートセンシングタスクであり、各画像ピクセルには地球表面の物理的土地被覆を示すラベルが与えられる。 ハイパースペクトル画像におけるスペクトルおよび空間的手がかりの両利用により,ハイパースペクトル画像分類における分類精度が向上した。 ハイパースペクトル画像から空間的およびスペクトル的手がかりを抽出するために3次元畳み込みニューラルネットワーク(3D-CNN)のみを使用すると、パラメータの爆発が起こり、計算コストが高くなる。 スペクトル空間情報をモデル化するための3次元畳み込みを利用したMixedSNと呼ばれるネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-07T01:54:15Z)

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。