論文の概要: Exploring Wilderness Using Explainable Machine Learning in Satellite
Imagery
- arxiv url: http://arxiv.org/abs/2203.00379v1
- Date: Tue, 1 Mar 2022 11:51:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 14:59:23.686990
- Title: Exploring Wilderness Using Explainable Machine Learning in Satellite
Imagery
- Title（参考訳）: 衛星画像における説明可能な機械学習を用いた荒野探索
- Authors: Timo T. Stomberg, Taylor Stone, Johannes Leonhardt, Ribana Roscher
- Abstract要約: 荒野は重要な生態学的、社会的利益をもたらし、監視と保護を保証している。
本稿では、マルチスペクトル衛星画像を用いて、荒野の曖昧な概念の特徴と外観について考察する。
本研究では, Fennoscandia の野生・人為的領域の解明に有効な,新しい説明可能な機械学習手法をキュレートデータセットに適用する。
- 参考スコア（独自算出の注目度）: 2.823072545762534
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Wilderness areas offer important ecological and social benefits, and
therefore warrant monitoring and preservation. Yet, what makes a place "wild"
is vaguely defined, making the detection and monitoring of wilderness areas via
remote sensing techniques a challenging task. In this article, we explore the
characteristics and appearance of the vague concept of wilderness areas via
multispectral satellite imagery. For this, we apply a novel explainable machine
learning technique on a curated dataset, which is sophisticated for the task to
investigate wild and anthropogenic areas in Fennoscandia. The dataset contains
Sentinel-2 images of areas representing 1) protected areas with the aim of
preserving and retaining the natural character and 2) anthropogenic areas
consisting of artificial and agricultural landscapes. With our technique, we
predict continuous, detailed and high-resolution sensitivity maps of unseen
remote sensing data in regards to wild and anthropogenic characteristics. Our
neural network provides an interpretable activation space in which regions are
semantically arranged in regards to wild and anthropogenic characteristics and
certain land cover classes. This increases confidence in the method and allows
for new explanations in regards to the investigated concept. Our model advances
explainable machine learning for remote sensing, offers opportunities for
comprehensive analyses of existing wilderness, and practical relevance for
conservation efforts. Code and data are available at
http://rs.ipb.uni-bonn.de/data and
https://gitlab.jsc.fz-juelich.de/kiste/wilderness, respectively.
- Abstract（参考訳）: 荒野地域は重要な生態的・社会的利益をもたらし、それゆえ監視と保存が必須である。
しかし、「野生」となる場所は曖昧に定義されており、リモートセンシング技術による荒野の検出とモニタリングが困難な課題となっている。
本稿では,多スペクトル衛星画像による荒野の曖昧な概念の特徴と外観について考察する。
そこで本研究では,Fennoscandiaの野生・人為的領域の解明に有効な,新しい説明可能な機械学習手法をキュレートデータセットに適用する。
データセットには、表示領域のSentinel-2イメージが含まれている
1)自然の性格の保存・維持を目的とした保護区域
2)人工景観と農業景観からなる人為的地域。
本手法により,野生および人為的特徴を考慮したリモートセンシングデータの連続的,詳細的,高分解能の感度マップを予測した。
我々のニューラルネットワークは、野生および人為的特徴と特定の土地被覆クラスに関して意味的に配列された領域を解釈可能な活性化空間を提供する。
これにより,提案手法の信頼性が向上し,研究概念に関する新たな説明が可能になる。
本モデルは,リモートセンシングのための説明可能な機械学習を進化させ,既存の荒野の包括的解析の機会を提供し,保全活動に実用的な妥当性を提供する。
コードとデータはhttp://rs.ipb.uni-bonn.de/dataとhttps://gitlab.jsc.fz-juelich.de/kiste/wildernessで入手できる。
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) - Leveraging Activation Maximization and Generative Adversarial Training
to Recognize and Explain Patterns in Natural Areas in Satellite Imagery [3.846084066763095]
本研究の目的は,保護地域と野生地域を形成する指定パターンの説明を前進させることである。
本稿では,アクティベーションと生成的敵対モデルを用いた新しいフレームワークを提案する。
提案手法は,保護区域の自然真正性を形成する識別パターンを,より精密な帰属地図を作成する。
論文 参考訳（メタデータ） (2023-11-15T12:55:19Z) - An empirical study of automatic wildlife detection using drone thermal
imaging and object detection [6.179033141934765]
遠隔操縦航空機システム(RPASまたはドローン')や熱画像技術の最近の進歩は、野生生物のデータを収集するための新しいアプローチを生み出している。
ドローンによる野生生物検出に関する総合的なレビューと実証研究を行っている。
論文 参考訳（メタデータ） (2023-10-17T13:22:59Z) - MapInWild: A Remote Sensing Dataset to Address the Question What Makes
Nature Wild [4.42251021399814]
衛星画像に適用した機械学習による荒野マッピングの課題について紹介する。
MapInWildは、そのタスクのための大規模なベンチマークキュレートされたデータセットです。
データセットは、1920 x 1920ピクセルの8144画像で構成され、約350GBである。
論文 参考訳（メタデータ） (2022-12-05T13:45:06Z) - Palm up: Playing in the Latent Manifold for Unsupervised Pretraining [31.92145741769497]
本稿では,多種多様なデータセットを使用しながら探索行動を示すアルゴリズムを提案する。
私たちのキーとなるアイデアは、静的データセットに事前トレーニングされた深層生成モデルを活用し、潜在空間に動的モデルを導入することです。
次に、教師なし強化学習アルゴリズムを用いて、この環境を探索し、収集したデータに基づいて教師なし表現学習を行う。
論文 参考訳（メタデータ） (2022-10-19T22:26:12Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Learning Continuous Environment Fields via Implicit Functions [144.4913852552954]
本研究では,到達距離(シーン内の任意の位置から目標までの距離)を,実現可能な軌道に沿って符号化する新しいシーン表現を提案する。
本研究では,2次元迷路や屋内3次元シーンにおけるエージェントの動的挙動を直接導出できることを実証する。
論文 参考訳（メタデータ） (2021-11-27T22:36:58Z) - Direct then Diffuse: Incremental Unsupervised Skill Discovery for State
Covering and Goal Reaching [98.25207998996066]
我々は、スキル発見のための相互情報フレームワークを構築し、カバレッジ指向のトレードオフに対応するためにUPSIDEを導入します。
いくつかのナビゲーションおよび制御環境において、UPSIDEが学んだスキルが、既存のベースラインよりもスパース・リワードな下流タスクをどのように解決するかを説明する。
論文 参考訳（メタデータ） (2021-10-27T14:22:19Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
画像に基づく観察のための自己教師付き表現学習法を提案する。
我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
論文 参考訳（メタデータ） (2020-10-05T19:47:04Z)
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。