論文の概要: A Sentinel-2 multi-year, multi-country benchmark dataset for crop
classification and segmentation with deep learning
- arxiv url: http://arxiv.org/abs/2204.00951v1
- Date: Sat, 2 Apr 2022 23:14:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 11:11:45.952899
- Title: A Sentinel-2 multi-year, multi-country benchmark dataset for crop
classification and segmentation with deep learning
- Title（参考訳）: 深層学習を用いた作物分類とセグメンテーションのためのSentinel-2多年マルチカントリーベンチマークデータセット
- Authors: Dimitrios Sykas, Maria Sdraka, Dimitrios Zografakis, Ioannis Papoutsis
- Abstract要約: Sen4AgriNetは、Sentinel-2ベースの時系列マルチカントリーベンチマークデータセットである。
カタルーニャとフランスの2016-2020年期間をカバーするために建設され、追加の国を含めることができる。
4250万のパーセルを含んでいるため、他の利用可能なアーカイブよりもはるかに大きい。
- 参考スコア（独自算出の注目度）: 0.716879432974126
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this work we introduce Sen4AgriNet, a Sentinel-2 based time series multi
country benchmark dataset, tailored for agricultural monitoring applications
with Machine and Deep Learning. Sen4AgriNet dataset is annotated from farmer
declarations collected via the Land Parcel Identification System (LPIS) for
harmonizing country wide labels. These declarations have only recently been
made available as open data, allowing for the first time the labeling of
satellite imagery from ground truth data. We proceed to propose and standardise
a new crop type taxonomy across Europe that address Common Agriculture Policy
(CAP) needs, based on the Food and Agriculture Organization (FAO) Indicative
Crop Classification scheme. Sen4AgriNet is the only multi-country, multi-year
dataset that includes all spectral information. It is constructed to cover the
period 2016-2020 for Catalonia and France, while it can be extended to include
additional countries. Currently, it contains 42.5 million parcels, which makes
it significantly larger than other available archives. We extract two
sub-datasets to highlight its value for diverse Deep Learning applications; the
Object Aggregated Dataset (OAD) and the Patches Assembled Dataset (PAD). OAD
capitalizes zonal statistics of each parcel, thus creating a powerful
label-to-features instance for classification algorithms. On the other hand,
PAD structure generalizes the classification problem to parcel extraction and
semantic segmentation and labeling. The PAD and OAD are examined under three
different scenarios to showcase and model the effects of spatial and temporal
variability across different years and different countries.
- Abstract（参考訳）: 本研究では,sen4agrinetについて紹介する。sen4agrinetはsentinel-2ベースの時系列マルチカントリーベンチマークデータセットで,機械学習とディープラーニングを用いた農業モニタリングアプリケーション用に最適化されている。
Sen4AgriNetデータセットは、カントリーワイドラベルを調和させるためにLand Parcel Identification System (LPIS)を介して収集されたファーマー宣言から注釈付けされている。
これらの宣言は、最近公開データとして利用可能になったばかりであり、地上真実データから衛星画像のラベリングが初めて可能となった。
我々は、食品農業機関(FAO)の指標作物分類スキームに基づいて、共通農業政策(CAP)のニーズに対応する、ヨーロッパ全域で新しい作物型分類の提案と標準化を進める。
Sen4AgriNetは、すべてのスペクトル情報を含む、唯一のマルチカントリー、マルチ年データセットである。
カタルーニャとフランスの2016-2020年期間をカバーするために建設され、追加の国を含めることができる。
現在、4250万個の小包が含まれているため、他のアーカイブよりはるかに大きい。
我々は、さまざまなディープラーニングアプリケーション、Object Aggregated Dataset(OAD)とPatches Assembled Dataset(PAD)の2つのサブデータセットを抽出し、その価値を強調する。
OADは各パーセルの地域統計を大まかに利用し、分類アルゴリズムのための強力なラベル-機能インスタンスを作成する。
一方、PAD構造は、パーセル抽出とセマンティックセグメンテーションとラベル付けに分類問題を一般化する。
パッドとoadは3つの異なるシナリオで検討され、異なる年月と異なる国における空間的および時間的変動の影響を示し、モデル化する。
関連論文リスト
- Fields of The World: A Machine Learning Benchmark Dataset For Global Agricultural Field Boundary Segmentation [12.039406240082515]
Fields of The World (FTW)は、農業分野のインスタンスセグメンテーションのための新しいベンチマークデータセットである。
FTWは70,462個のサンプルを持つ以前のデータセットよりも桁違いに大きい。
FTWで訓練されたモデルは、留保国において、ゼロショットと微調整性能が向上していることを示す。
論文 参考訳（メタデータ） (2024-09-24T17:20:58Z) - EuroCropsML: A Time Series Benchmark Dataset For Few-Shot Crop Type Classification [9.670182163018804]
EuroCropsMLは、分析可能なリモートセンシング機械学習データセットである。
オープンソースのEuroCropsコレクションに基づいて、EuroCropsMLがZenodoで公開されている。
論文 参考訳（メタデータ） (2024-07-24T17:50:54Z) - SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding [55.48936731641802]
階層的に構造化されたマルチタスク形式理解ベンチマークであるSRFUNDを提案する。
SRFUNDはオリジナルのFUNSDとXFUNDデータセットの上に洗練されたアノテーションを提供する。
データセットには、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語を含む8つの言語が含まれている。
論文 参考訳（メタデータ） (2024-06-13T02:35:55Z) - Boosting Crop Classification by Hierarchically Fusing Satellite,
Rotational, and Contextual Data [0.0]
本研究では,複数年にわたる精度向上とロバスト性向上のためのモデルにマルチモーダル情報を融合する新しい手法を提案する。
このアプローチを評価するため、フランスとオランダで740万の農業パーセルの注釈付きデータセットを新たにリリースしました。
論文 参考訳（メタデータ） (2023-05-19T21:42:53Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - High-Resolution Satellite Imagery for Modeling the Impact of
Aridification on Crop Production [2.5402662954395097]
我々は3つの異なる衛星から異なる空間解像度の時系列画像を持つ、第一種データセットSICKLEを紹介した。
このデータセットは、デルタ州の4つの地区に分布する388個のプロットから、季節ごとに2,398個のサンプルで構成されている。
本データセットは,作物の種類,表現年月日(播種,移植,収穫),収量予測の3つの異なるタスクについてベンチマークし,実環境において重要な作物パラメータを予測するためのエンドツーエンドのフレームワークを開発する。
論文 参考訳（メタデータ） (2022-09-25T14:54:50Z) - Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
既存のアプローチでは、両方の問題が存在するシナリオに対処できません。
本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。
AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
論文 参考訳（メタデータ） (2022-07-20T19:07:46Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - A hierarchical deep learning framework for the consistent classification
of land use objects in geospatial databases [8.703408520845645]
本稿では,土地利用情報を検証するための階層的ディープラーニングフレームワークを提案する。
複数レベルの土地利用を階層的に同時に予測することを目的とした新しいCNN方式を提案する。
実験によると、CNNはJOに依存しており、全体の精度は92.5%まで向上している。
論文 参考訳（メタデータ） (2021-04-14T17:16:35Z) - Simple multi-dataset detection [83.9604523643406]
複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。
データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。
私たちのアプローチは手動の分類学の調整を必要としません。
論文 参考訳（メタデータ） (2021-02-25T18:55:58Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z)
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。