論文の概要: Generalized Classification of Satellite Image Time Series with Thermal
Positional Encoding
- arxiv url: http://arxiv.org/abs/2203.09175v1
- Date: Thu, 17 Mar 2022 08:53:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-19 02:04:48.344281
- Title: Generalized Classification of Satellite Image Time Series with Thermal
Positional Encoding
- Title(参考訳): 熱的位置エンコーディングによる衛星画像時系列の一般化分類
- Authors: Joachim Nyborg, Charlotte Pelletier, Ira Assent
- Abstract要約: 本稿では,注目型作物分類のための熱位置一般化(TPE)を提案する。
TPEは、成長期の平均気温を蓄積して得られる熱時間に基づいている。
我々は4つのヨーロッパ地域をまたいだ作物分類課題へのアプローチを実証し,その成果を報告する。
- 参考スコア(独自算出の注目度): 3.5773108446345034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-scale crop type classification is a task at the core of remote sensing
efforts with applications of both economic and ecological importance. Current
state-of-the-art deep learning methods are based on self-attention and use
satellite image time series (SITS) to discriminate crop types based on their
unique growth patterns. However, existing methods generalize poorly to regions
not seen during training mainly due to not being robust to temporal shifts of
the growing season caused by variations in climate. To this end, we propose
Thermal Positional Encoding (TPE) for attention-based crop classifiers. Unlike
previous positional encoding based on calendar time (e.g. day-of-year), TPE is
based on thermal time, which is obtained by accumulating daily average
temperatures over the growing season. Since crop growth is directly related to
thermal time, but not calendar time, TPE addresses the temporal shifts between
different regions to improve generalization. We propose multiple TPE
strategies, including learnable methods, to further improve results compared to
the common fixed positional encodings. We demonstrate our approach on a crop
classification task across four different European regions, where we obtain
state-of-the-art generalization results.
- Abstract(参考訳): 大規模作物の分類はリモートセンシングの核となる課題であり、経済と生態の両方に応用されている。
現在最先端の深層学習法は、自己注意と衛星画像時系列(SITS)を用いて、独自の成長パターンに基づいて作物の分類を行っている。
しかし、既存の手法は、気候の変化による成長期の時間的変化に頑丈でないことから、訓練中に見られない地域へ一般化する。
そこで本研究では,注目型作物分類器を対象とした温度位置エンコーディング(TPE)を提案する。
暦時(例年)に基づく以前の位置符号化とは異なり、TPEは熱時間に基づいており、成長期の平均気温を蓄積して得られる。
作物の生育は熱時間に直接関係するが、カレンダー時間ではないため、tpeは一般化を改善するために異なる地域間の時間的変化に対処する。
学習可能な手法を含む複数のTPE戦略を提案し、一般的な固定位置エンコーディングと比較して結果を改善する。
我々は,4つの異なるヨーロッパ地域をまたがる作物分類タスクにおいて,最先端の一般化結果を得るためのアプローチを実証する。
関連論文リスト
- Combining Satellite and Weather Data for Crop Type Mapping: An Inverse
Modelling Approach [23.23933321161625]
天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。
提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。
この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2024-01-29T04:15:22Z) - GD-CAF: Graph Dual-stream Convolutional Attention Fusion for
Precipitation Nowcasting [1.642094639107215]
降水マップの履歴グラフから学習するために,GD-CAF (Graph Dual-streamtemporal Conal Attention Fusion) を導入した。
GD-CAFは、ゲート・テンポラル・コンボリューション・アテンションと、深度に分離可能なコンボリューション・オペレーションを備えた融合モジュールで構成されている。
ERA5データセットから収集したヨーロッパとその周辺地域の7年間の降水分布図を評価した。
論文 参考訳(メタデータ) (2024-01-15T20:54:20Z) - Long-Term Invariant Local Features via Implicit Cross-Domain
Correspondences [79.21515035128832]
我々は、様々なドメイン変更の下で、現在の最先端特徴抽出ネットワークの性能を徹底的に分析する。
我々は、新しいデータ中心方式、Implicit Cross-Domain Correspondences (iCDC)を提案する。
iCDCは複数のニューラル・ラジアンス・フィールドで同じ環境を表し、それぞれが個々の視覚領域の下にシーンを適合させる。
論文 参考訳(メタデータ) (2023-11-06T18:53:01Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳(メタデータ) (2023-02-20T07:46:14Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - PhysFormer: Facial Video-based Physiological Measurement with Temporal
Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。
本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文 参考訳(メタデータ) (2021-11-23T18:57:11Z) - TimeMatch: Unsupervised Cross-Region Adaptation by Temporal Shift
Estimation [5.027714423258537]
TimeMatchは、時間シフトを直接考慮した、SITSのための新しい教師なしドメイン適応手法である。
TimeMatchは5つの異なる適応シナリオでF1スコアで競合するメソッドを11%上回っている。
欧州の4つの異なる地域からのSITSを用いた地域間適応のためのオープンアクセスデータセットを提案する。
論文 参考訳(メタデータ) (2021-11-04T08:32:59Z) - Feature Importance in a Deep Learning Climate Emulator [10.48891954541828]
本研究では,気候の深層学習(DL)エミュレータを「理解」するための特徴的重要手法として,ポストホックな局所的説明手法のクラスを用いた研究を行う。
本研究では,エンコーダネットデコーダアーキテクチャを用いて,海面温度(SST)の経年変化を1,6,9ヶ月のリードタイムで予測するマルチインプット・アウトプット変動エミュレータについて検討する。
論文 参考訳(メタデータ) (2021-08-27T13:36:42Z) - Resilient In-Season Crop Type Classification in Multispectral Satellite
Observations using Growth Stage Normalization [2.4186361602373823]
本研究では,中間空間分解能(30m)衛星データを用いた季節内作物型分類手法を提案する。
コンボリューション層とリカレント層の両方を利用したニューラルネットワークを用いて、ピクセルにトウモロコシ、大豆、または他の作物や土地被覆タイプが含まれているかどうかを予測する。
成長段階正規化時系列を用いたアプローチは、固定時間時系列よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-09-21T21:55:32Z) - A Transfer Learning approach to Heatmap Regression for Action Unit
intensity estimation [50.261472059743845]
アクション・ユニット(英: Action Units、AUs)は、幾何学に基づく原子性顔面筋運動である。
本稿では,その位置と強度を共同で推定する新しいAUモデリング問題を提案する。
ヒートマップは、所定の空間的位置でAUが発生するか否かをモデル化する。
論文 参考訳(メタデータ) (2020-04-14T16:51:13Z)
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。