Fugu-MT 論文翻訳(概要): Generalized Classification of Satellite Image Time Series with Thermal Positional Encoding

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

MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
Generalization Enhancement Strategies to Enable Cross-year Cropland Mapping with Convolutional Neural Networks Trained Using Historical Samples [5.703107376077042]
大面積の農地をマッピングする精度は、高解像度衛星画像と深層学習(DL)モデルにより着実に改善されている。しかし、効果的なDLモデルを開発するには、多くの場合、大きくて高価なラベルデータセットが必要である。これは、農業の慣行や環境条件の変化により、年と地域の間でドメインシフトが発生するため、農業監視に不可欠な年次マップを作成する能力を制限する。
論文参考訳（メタデータ） (2024-08-12T19:42:09Z)
Detecting Abnormal Operations in Concentrated Solar Power Plants from Irregular Sequences of Thermal Images [2.048226951354646]
集中型ソーラーパワー(CSP)プラントは、中央のタワーの上のソーラーレシーバーに日光を集中させるミラーの配列で記憶媒体を加熱することでエネルギーを貯蔵する。高温で作動するこれらの受信機は、凍結、変形、腐食などのリスクに直面し、運用上の故障、ダウンタイム、高価な機器の損傷を引き起こす。運転中のCSPプラントから1年以上にわたって収集された熱画像の配列における異常検出(AD)の問題について検討した。
論文参考訳（メタデータ） (2024-06-23T11:09:21Z)
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
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)
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)
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)
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)
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。