論文の概要: Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification

• arxiv url: http://arxiv.org/abs/2203.06041v1
• Date: Fri, 11 Mar 2022 16:14:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 13:01:48.153137
• Title: Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification
• Title（参考訳）: 地球埋め込み:高密度土地被覆分類のための自己監督型コントラスト事前訓練
• Authors: Michail Tarasiou, Stefanos Zafeiriou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.44538721707377
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In training machine learning models for land cover semantic segmentation there is a stark contrast between the availability of satellite imagery to be used as inputs and ground truth data to enable supervised learning. While thousands of new satellite images become freely available on a daily basis, getting ground truth data is still very challenging, time consuming and costly. In this paper we present Embedding Earth a self-supervised contrastive pre-training method for leveraging the large availability of satellite imagery to improve performance on downstream dense land cover classification tasks. Performing an extensive experimental evaluation spanning four countries and two continents we use models pre-trained with our proposed method as initialization points for supervised land cover semantic segmentation and observe significant improvements up to 25% absolute mIoU. In every case tested we outperform random initialization, especially so when ground truth data are scarse. Through a series of ablation studies we explore the qualities of the proposed approach and find that learnt features can generalize between disparate regions opening up the possibility of using the proposed pre-training scheme as a replacement to random initialization for Earth observation tasks. Code will be uploaded soon at https://github.com/michaeltrs/DeepSatModels.
• Abstract（参考訳）: 土地被覆意味セグメンテーションのための機械学習モデルのトレーニングでは、入力として使用する衛星画像と、教師あり学習を可能にする地上真理データとの大きな違いがある。 何千もの新しい衛星画像が毎日無料で利用できるようになる一方で、地上の真実データを取得することは依然として非常に困難であり、時間と費用がかかる。 本稿では,衛星画像の大量利用を活用し,下流の密集した土地被覆分類タスクの性能を向上させるための,自己教師付きコントラスト事前学習手法を提案する。 4つの国と2つの大陸にまたがる広範囲な実験的な評価を行い,提案手法で事前訓練したモデルを用いて,土地被覆セマンティックセマンティックセグメンテーションの初期化点とし,最大25%の絶対mIoUを観測した。 テストされたすべてのケースでは、ランダム初期化よりも優れています。 一連のアブレーション研究を通じて,提案手法の特性を考察し,地球観測タスクにおけるランダム初期化の代替として,前訓練方式を用いる可能性を開く異種領域間の学習的特徴を一般化できることを見出した。 コードはすぐにhttps://github.com/michaeltrs/DeepSatModels.comでアップロードされる。

関連論文リスト

• Federated Adversarial Learning for Robust Autonomous Landing Runway Detection [6.029462194041386]
  本稿では,着陸滑走路を検出するための対向学習フレームワークを提案する。 我々の知る限りでは、着陸滑走路検出における対向的なサンプル問題に対処する連合学習の事例としては、これが初めてである。
  論文  参考訳（メタデータ） (2024-06-22T19:31:52Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• A Self-Supervised Approach to Land Cover Segmentation [1.0878040851638]
  土地利用/土地被覆変化マップ(LULC map)は、地球科学と農業研究において重要な資源である。 このような地図の性質から、LULCマップの作成は、衛星画像やリモートセンシングデータを正確にアノテートするために必要な時間と人的資源によって制約されることが多い。 本稿では,高品質な地中真実ラベルを必要としない土地被覆セグメンテーションの自己管理手法を実証する。
  論文  参考訳（メタデータ） (2023-10-27T16:37:36Z)
• Evaluating the Label Efficiency of Contrastive Self-Supervised Learning for Multi-Resolution Satellite Imagery [0.0]
  遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。 本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
  論文  参考訳（メタデータ） (2022-10-13T06:54:13Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote Sensing Data [64.40187171234838]
  季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。 SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
  論文  参考訳（メタデータ） (2021-03-30T18:26:39Z)
• An Efficient Method for the Classification of Croplands in Scarce-Label Regions [0.0]
  衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。 ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。 自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
  論文  参考訳（メタデータ） (2021-03-17T12:10:11Z)
• Geography-Aware Self-Supervised Learning [79.4009241781968]
  異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。 本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-11-19T17:29:13Z)
• Land Cover Semantic Segmentation Using ResUNet [0.0]
  本稿では,土地被覆分類のための自動システムの開発について述べる。 本システムは、入力として領域のマルチバンド衛星画像を取得し、入力と同じ解像度で領域のランドカバーマップを出力する。 この目的のために、衛星画像の土地被覆セマンティックセグメンテーションを予測するために、畳み込み機械学習モデルを訓練した。
  論文  参考訳（メタデータ） (2020-10-13T10:56:09Z)

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。