論文の概要: Manipulating UAV Imagery for Satellite Model Training, Calibration and
Testing
- arxiv url: http://arxiv.org/abs/2203.11447v1
- Date: Tue, 22 Mar 2022 03:57:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 13:56:15.728405
- Title: Manipulating UAV Imagery for Satellite Model Training, Calibration and
Testing
- Title（参考訳）: 衛星モデル訓練・校正・試験のためのUAV画像の操作
- Authors: Jasper Brown, Cameron Clark, Sabrina Lomax, Khalid Rafique, Salah
Sukkarieh
- Abstract要約: 現代の家畜の農業はますますデータ駆動化が進み、広範囲のデータを収集するために効率的なリモートセンシングに依存している。
衛星画像はそのようなデータソースの1つであり、カバー範囲が増加しコストが低下するにつれて、農家にとってアクセスしやすくなっている。
本稿では,衛星データの品質に合わせた高分解能UAV画像の多時間データセットを提案する。
- 参考スコア（独自算出の注目度）: 4.514832807541816
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern livestock farming is increasingly data driven and frequently relies on
efficient remote sensing to gather data over wide areas. High resolution
satellite imagery is one such data source, which is becoming more accessible
for farmers as coverage increases and cost falls. Such images can be used to
detect and track animals, monitor pasture changes, and understand land use.
Many of the data driven models being applied to these tasks require ground
truthing at resolutions higher than satellites can provide. Simultaneously,
there is a lack of available aerial imagery focused on farmland changes that
occur over days or weeks, such as herd movement. With this goal in mind, we
present a new multi-temporal dataset of high resolution UAV imagery which is
artificially degraded to match satellite data quality. An empirical blurring
metric is used to calibrate the degradation process against actual satellite
imagery of the area. UAV surveys were flown repeatedly over several weeks, for
specific farm locations. This 5cm/pixel data is sufficiently high resolution to
accurately ground truth cattle locations, and other factors such as grass
cover. From 33 wide area UAV surveys, 1869 patches were extracted and
artificially degraded using an accurate satellite optical model to simulate
satellite data. Geographic patches from multiple time periods are aligned and
presented as sets, providing a multi-temporal dataset that can be used for
detecting changes on farms. The geo-referenced images and 27,853 manually
annotated cattle labels are made publicly available.
- Abstract（参考訳）: 現代の家畜農業はますますデータ駆動化が進んでおり、広範囲にわたるデータ収集に効率的なリモートセンシングを頻繁に使っている。
高解像度衛星画像はそのようなデータソースの1つであり、カバー範囲が増加しコストが低下するにつれて、農家がアクセスしやすくなっている。
このような画像は、動物の検出と追跡、牧草の変化の監視、土地利用の理解に利用できる。
これらのタスクに適用されるデータ駆動モデルの多くは、衛星が提供できる以上の解像度で地上の真実性を必要とする。
同時に、牧草地の動きなど、数日から数週間にわたって起こる農地の変化に焦点を当てた航空画像が不足している。
この目標を念頭に、衛星データの品質に合わせるために人工的に劣化した高解像度UAV画像のマルチ時間データセットを提案する。
経験的なぼやけた計量は、地域の実際の衛星画像に対する劣化過程を校正するために用いられる。
UAV調査は数週間にわたって、特定の農場で繰り返し行われた。
この5cm/ピクセルデータは、真理の牛の位置を正確に把握するのに十分な解像度である。
33回のUAV調査から、1869個のパッチを抽出し、正確な衛星光学モデルを用いて人工衛星データをシミュレートした。
複数期間の地理的パッチは、セットとして整列され、ファームの変更を検出するために使用できる、複数時間データセットを提供する。
地理参照画像と27,853個の手作業による牛のラベルが公開されている。
関連論文リスト
- SeeFar: Satellite Agnostic Multi-Resolution Dataset for Geospatial Foundation Models [0.0873811641236639]
SeeFar(シーファー)は、公共の衛星と商用衛星の多解像度衛星画像集である。
衛星タイプに縛られずに地理空間基盤モデルのトレーニングのために,このデータセットをキュレートした。
論文 参考訳（メタデータ） (2024-06-10T20:24:14Z) - 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) - Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。
小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。
128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文 参考訳（メタデータ） (2024-02-01T15:59:16Z) - Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve
Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。
MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。
これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文 参考訳（メタデータ） (2023-12-07T18:59:14Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳（メタデータ） (2023-12-06T16:53:17Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - Towards Space-to-Ground Data Availability for Agriculture Monitoring [0.0]
本稿では,クラウドソーシングプラットフォームであるMapillaryのストリートレベル画像とともに,Sentinel-1レーダとSentinel-2光画像時系列を含む地上空間データセットを提案する。
これらの異なるデータドメイン上で機械学習とディープラーニングのアルゴリズムをトレーニングし、意思決定の信頼性を高めるための融合技術の可能性を強調します。
論文 参考訳（メタデータ） (2022-05-16T14:35:48Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - A benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。
HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。
予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
論文 参考訳（メタデータ） (2022-04-22T23:49:44Z) - Automated Aerial Animal Detection When Spatial Resolution Conditions Are
Varied [3.303008003874495]
家畜がどこにあるかを知ることは、最適化された管理と調整を可能にする。
衛星画像の解析による効果的な動物の位置決めとカウントは、この管理のハードルを克服する。
高解像度衛星画像は高価であり、コストを最小限に抑えるため、正確な家畜検出を可能にする最小の空間解像度データを選択すべきである。
論文 参考訳（メタデータ） (2021-10-04T11:20:14Z) - UAV and Machine Learning Based Refinement of a Satellite-Driven
Vegetation Index for Precision Agriculture [0.8399688944263843]
本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。
無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。
セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
論文 参考訳（メタデータ） (2020-04-29T18:34:48Z)
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。