論文の概要: A Review of Landcover Classification with Very-High Resolution Remotely
Sensed Optical Images-Analysis Unit,Model Scalability and Transferability
- arxiv url: http://arxiv.org/abs/2202.03342v1
- Date: Mon, 7 Feb 2022 16:38:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 17:51:35.873007
- Title: A Review of Landcover Classification with Very-High Resolution Remotely
Sensed Optical Images-Analysis Unit,Model Scalability and Transferability
- Title（参考訳）: 超高分解能リモートセンシング光画像を用いた土地被覆分類のレビュー-解析ユニット, モデル拡張性, 転送性
- Authors: Rongjun Qin, Tao Liu
- Abstract要約: ランドカバー分類は、超高解像度(VHR)画像解析において最も難しい課題の1つである。
ディープラーニング(DL)に基づく土地被覆手法とトレーニング戦略の急速な増加が最先端であると主張されているため、既に断片化された土地被覆マッピング手法の技術的景観はさらに複雑である。
- 参考スコア（独自算出の注目度）: 4.704131850850489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an important application in remote sensing, landcover classification
remains one of the most challenging tasks in very-high-resolution (VHR) image
analysis. As the rapidly increasing number of Deep Learning (DL) based
landcover methods and training strategies are claimed to be the
state-of-the-art, the already fragmented technical landscape of landcover
mapping methods has been further complicated. Although there exists a plethora
of literature review work attempting to guide researchers in making an informed
choice of landcover mapping methods, the articles either focus on the review of
applications in a specific area or revolve around general deep learning models,
which lack a systematic view of the ever advancing landcover mapping methods.
In addition, issues related to training samples and model transferability have
become more critical than ever in an era dominated by data-driven approaches,
but these issues were addressed to a lesser extent in previous review articles
regarding remote sensing classification. Therefore, in this paper, we present a
systematic overview of existing methods by starting from learning methods and
varying basic analysis units for landcover mapping tasks, to challenges and
solutions on three aspects of scalability and transferability with a remote
sensing classification focus including (1) sparsity and imbalance of data; (2)
domain gaps across different geographical regions; and (3) multi-source and
multi-view fusion. We discuss in detail each of these categorical methods and
draw concluding remarks in these developments and recommend potential
directions for the continued endeavor.
- Abstract（参考訳）: リモートセンシングにおける重要な応用として、土地被覆分類は超高分解能(vhr)画像解析において最も難しい課題の1つとなっている。
ディープラーニング(DL)に基づく土地被覆手法とトレーニング戦略の急速な増加が最先端であると主張されているため、既に断片化された土地被覆マッピング手法の技術的景観はさらに複雑である。
ランドカバーマッピング手法の知識的選択について研究者を導くための文献レビューが数多く存在するが、本論文は特定の分野におけるアプリケーションのレビューに焦点を当てるか、あるいは一般的なディープラーニングモデルを中心に展開し、今後も進化を続けるランドカバーマッピング手法の体系的な見解を欠いている。
さらに、データ駆動型アプローチが支配する時代には、トレーニングサンプルやモデル転送可能性に関する問題がこれまで以上に重要になっているが、これらの問題は、リモートセンシング分類に関する以前のレビュー記事において、より少ない範囲で対処された。
そこで本稿では,(1)データの空間性と不均衡,(2)地理的領域間のドメインギャップ,(3)マルチソース・マルチビュー融合を含むリモートセンシング分類に焦点を当てた,拡張性と転送可能性の3つの側面に関する課題と解決策を,ランドカバーマッピングタスクの学習方法や基本分析単位から始めることで,既存の手法を体系的に概観する。
本稿では,これらの分類手法のそれぞれを詳細に議論し,これらの展開の結論を導き,継続的な取り組みに向けて潜在的方向性を推奨する。
関連論文リスト
- Cross-view geo-localization: a survey [1.3686993145787065]
クロスビューなジオローカライゼーションは、コンピュータビジョンの領域で注目を浴びている。
本稿では,この領域に不可欠な最先端の方法論,技法,および関連する課題について,徹底的な調査を行う。
論文 参考訳（メタデータ） (2024-06-14T05:14:54Z) - A Brief Yet In-Depth Survey of Deep Learning-Based Image Watermarking [1.249418440326334]
本稿では,ディープラーニングに基づく画像透かしに関する総合的な調査を行う。
カバーイメージ内の透かしの埋め込みと抽出に重点を置いており、堅牢性と適応性のシームレスなブレンドを提供することを目的としている。
本稿では,フィールドを埋め込み抽出器,特徴変換としてのディープネットワーク,ハイブリッドメソッドに分割する,洗練された分類手法を提案する。
論文 参考訳（メタデータ） (2023-08-08T22:06:14Z) - Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual
Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。
既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。
本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文 参考訳（メタデータ） (2023-05-12T00:13:17Z) - Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳（メタデータ） (2023-02-19T15:43:54Z) - Weakly Supervised Object Localization and Detection: A Survey [145.5041117184952]
オブジェクトのローカライゼーションと検出は、新しい世代のコンピュータビジョンシステムを開発する上で重要な役割を果たす。
本稿では,(1)古典的モデル,(2)既成の深層ネットワークの特徴表現を用いたアプローチ,(3)ディープラーニングのみに基づくアプローチ,(4)この分野で広く利用されている公開データセットと標準評価指標についてレビューする。
この分野における重要な課題、この分野の開発履歴、各カテゴリーの手法の利点/欠点、異なるカテゴリーの方法間の関係、弱い監督対象のローカリゼーションおよび検出方法の適用、およびこの研究分野の開発をさらに促進するための潜在的な将来の方向性について議論します。
論文 参考訳（メタデータ） (2021-04-16T06:44:50Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳（メタデータ） (2021-01-03T02:32:45Z) - Unsupervised Domain Adaptation in Semantic Segmentation: a Review [22.366638308792734]
本研究の目的は, セマンティックセグメンテーションのための深層ネットワークのUnsupervised Domain Adaptation (UDA) の最近の進歩について概説することである。
論文 参考訳（メタデータ） (2020-05-21T20:10:38Z) - Seismic horizon detection with neural networks [62.997667081978825]
本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
論文 参考訳（メタデータ） (2020-01-10T11:30:50Z)
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。