論文の概要: 2-speed network ensemble for efficient classification of incremental
land-use/land-cover satellite image chips
- arxiv url: http://arxiv.org/abs/2203.08267v1
- Date: Tue, 15 Mar 2022 21:36:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 14:19:32.070480
- Title: 2-speed network ensemble for efficient classification of incremental
land-use/land-cover satellite image chips
- Title（参考訳）: 2速ネットワークアンサンブルによる増分土地利用・土地被覆衛星画像チップの効率的な分類
- Authors: Michael James Horry, Subrata Chakraborty, Biswajeet Pradhan, Nagesh
Shukla and Sanjoy Paul
- Abstract要約: 衛星画像データの増大は、産業や政府にとって、データ駆動的な決定を下すことの難しさを浮き彫りにしている。
ビッグデータのコンテキストにおける再トレーニングのコストは,新たなイメージデータやクラスをトレーニングコーパスに追加する場合に,現実的な課題となる。
提案されたアンサンブルとスタッガードトレーニングスケジュールは、スケーラブルで費用対効果の高い衛星画像分類スキームを提供する。
- 参考スコア（独自算出の注目度）: 2.362412515574206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ever-growing volume of satellite imagery data presents a challenge for
industry and governments making data-driven decisions based on the timely
analysis of very large data sets. Commonly used deep learning algorithms for
automatic classification of satellite images are time and resource-intensive to
train. The cost of retraining in the context of Big Data presents a practical
challenge when new image data and/or classes are added to a training corpus.
Recognizing the need for an adaptable, accurate, and scalable satellite image
chip classification scheme, in this research we present an ensemble of: i) a
slow to train but high accuracy vision transformer; and ii) a fast to train,
low-parameter convolutional neural network. The vision transformer model
provides a scalable and accurate foundation model. The high-speed CNN provides
an efficient means of incorporating newly labelled data into analysis, at the
expense of lower accuracy. To simulate incremental data, the very large
(~400,000 images) So2Sat LCZ42 satellite image chip dataset is divided into
four intervals, with the high-speed CNN retrained every interval and the vision
transformer trained every half interval. This experimental setup mimics an
increase in data volume and diversity over time. For the task of automated
land-cover/land-use classification, the ensemble models for each data increment
outperform each of the component models, with best accuracy of 65% against a
holdout test partition of the So2Sat dataset. The proposed ensemble and
staggered training schedule provide a scalable and cost-effective satellite
image classification scheme that is optimized to process very large volumes of
satellite data.
- Abstract（参考訳）: 衛星画像データの増大は、非常に大規模なデータセットのタイムリーな分析に基づいてデータ駆動決定を行う産業や政府にとって、課題となっている。
衛星画像の自動分類によく使われるディープラーニングアルゴリズムは、トレーニングの時間とリソース集約である。
ビッグデータのコンテキストにおける再トレーニングのコストは,新たなイメージデータやクラスをトレーニングコーパスに追加する場合に,現実的な課題となる。
本稿では,適応性,正確性,スケーラブルな衛星画像チップ分類方式の必要性を認識し,その有効性について述べる。
一 訓練が遅いが、高精度な視力変換装置
ii) 高速で訓練可能な低パラメータ畳み込みニューラルネットワーク。
vision transformerモデルはスケーラブルで正確な基盤モデルを提供する。
高速CNNは、より低い精度で、新たにラベル付けされたデータを分析に組み込む効率的な手段を提供する。
インクリメンタルデータをシミュレートするために、非常に大きな(約400,000イメージ)So2Sat LCZ42衛星画像チップデータセットを4つの間隔に分割し、高速CNNを間隔毎に再トレーニングし、ビジョントランスフォーマーを半間隔毎にトレーニングする。
この実験的なセットアップは、時間とともにデータボリュームと多様性が増加することを模倣している。
自動土地被覆/土地利用分類のタスクでは、各データインクリメントのアンサンブルモデルは、so2satデータセットのホールドアウトテストパーティションに対して65%の精度で各コンポーネントモデルを上回る。
提案したアンサンブルとスタッガードトレーニングスケジュールは、非常に大量の衛星データを処理するために最適化されたスケーラブルで費用対効果の高い衛星画像分類スキームを提供する。
関連論文リスト
- 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) - Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳（メタデータ） (2024-03-08T16:18:04Z) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - SatMAE: Pre-training Transformers for Temporal and Multi-Spectral
Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。
時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文 参考訳（メタデータ） (2022-07-17T01:35:29Z) - Agricultural Plantation Classification using Transfer Learning Approach
based on CNN [0.0]
深層学習により高スペクトル画像認識の効率は著しく向上した。
CNNとMulti-Layer Perceptron(MLP)は画像の分類に優れたプロセスであることが示されている。
本稿では,移動学習の手法を用いて,学習時間を短縮し,ラベル付き大規模データセットへの依存を減らすことを提案する。
論文 参考訳（メタデータ） (2022-06-19T14:43:31Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - Efficient deep learning models for land cover image classification [0.29748898344267777]
土地利用土地被覆(LULC)画像分類のためのBigEarthNetデータセットを用いて実験を行った。
コンボリューションニューラルネットワーク、マルチ層パーセプトロン、ビジュアルトランスフォーマー、効率的なネットワーク、ワイド残留ネットワーク(WRN)など、さまざまな最先端モデルをベンチマークする。
提案する軽量モデルは、訓練可能なパラメータが桁違いに小さく、平均的なFスコア分類精度が19のLULCクラスすべてに対して4.5%向上し、ベースラインとして使用するResNet50の2倍高速に訓練される。
論文 参考訳（メタデータ） (2021-11-18T00:03:14Z) - Using GANs to Augment Data for Cloud Image Segmentation Task [2.294014185517203]
本稿では,GAN(Generative Adversarial Networks)によるデータ生成の有効性を示す。
また,GAN生成した画像の2進2進写像を推定し,画像として有効に活用する方法を提案する。
論文 参考訳（メタデータ） (2021-06-06T09:01:43Z) - 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)
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。