論文の概要: Segmenting across places: The need for fair transfer learning with satellite imagery

• arxiv url: http://arxiv.org/abs/2204.04358v1
• Date: Sat, 9 Apr 2022 02:14:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 16:08:34.238661
• Title: Segmenting across places: The need for fair transfer learning with satellite imagery
• Title（参考訳）: 地域をまたがるセグメンテーション:衛星画像を用いた公平な転送学習の必要性
• Authors: Miao Zhang, Harvineet Singh, Lazarus Chok, Rumi Chunara
• Abstract要約: 最先端のモデルは、都市部に比べて農村部での全体的な精度が良い。 本研究では, 都市部に比べて, 原産地と対象地域とでは, 生衛星画像が相違点が多いことを示す。
• 参考スコア（独自算出の注目度）: 24.087993065704527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing availability of high-resolution satellite imagery has enabled the use of machine learning to support land-cover measurement and inform policy-making. However, labelling satellite images is expensive and is available for only some locations. This prompts the use of transfer learning to adapt models from data-rich locations to others. Given the potential for high-impact applications of satellite imagery across geographies, a systematic assessment of transfer learning implications is warranted. In this work, we consider the task of land-cover segmentation and study the fairness implications of transferring models across locations. We leverage a large satellite image segmentation benchmark with 5987 images from 18 districts (9 urban and 9 rural). Via fairness metrics we quantify disparities in model performance along two axes -- across urban-rural locations and across land-cover classes. Findings show that state-of-the-art models have better overall accuracy in rural areas compared to urban areas, through unsupervised domain adaptation methods transfer learning better to urban versus rural areas and enlarge fairness gaps. In analysis of reasons for these findings, we show that raw satellite images are overall more dissimilar between source and target districts for rural than for urban locations. This work highlights the need to conduct fairness analysis for satellite imagery segmentation models and motivates the development of methods for fair transfer learning in order not to introduce disparities between places, particularly urban and rural locations.
• Abstract（参考訳）: 高解像度衛星画像の可用性が高まり、機械学習を利用して土地被覆計測や政策立案を支援するようになった。 しかし、衛星画像のラベリングは高価であり、一部の場所でのみ利用可能である。 これにより、データ豊富な場所から他の場所へのモデル適応にトランスファーラーニングを使用することが促される。 衛星画像の地理学的応用の可能性を考えると、転送学習の意義に関する体系的な評価が求められる。 本研究では,土地被覆セグメント化の課題を考察し,場所をまたいだモデル転送の公平性について検討する。 我々は18地区(9都市と9農村)の5987枚の画像を用いた大規模な衛星画像分割ベンチマークを利用する。 公平度メトリクスは、2つの軸に沿ったモデルパフォーマンスの格差を定量化します。 その結果,非教師付きドメイン適応手法が都市と農村に学習を伝達し,公平性ギャップを拡大することで,農村部に比べて最先端のモデルの方が総合的精度が向上することがわかった。 これらの理由を分析した結果, 都市部に比べて, 原産地と対象地域とでは, 生衛星画像が相違点が多いことがわかった。 本研究は,衛星画像セグメンテーションモデルにおける公平性分析の必要性を浮き彫りにして,地域,特に都市と農村の格差を解消するために,公平な転校学習手法の開発を動機付けるものである。

関連論文リスト

• Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
  本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。 地上画像ごとに正の衛星画像と負の衛星画像を導き出す。 また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-10T12:57:16Z)
• 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)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• Minimum Class Confusion based Transfer for Land Cover Segmentation in Rural and Urban Regions [0.0]
  本研究では,移動学習手法を用いて土地被覆地図の作成を可能にするセマンティックセグメンテーション手法を提案する。 低解像度画像で訓練されたモデルと、対象領域やズームレベルの不十分なデータを比較した。 都市部における移動学習のセグメンテーション性能は,農村部では3.4%,都市部では12.9%であった。
  論文  参考訳（メタデータ） (2022-12-05T09:41:06Z)
• Mitigating Urban-Rural Disparities in Contrastive Representation Learning with Satellite Imagery [19.93324644519412]
  土地被覆の特徴の特定における都市と農村の格差のリスクを考察する。 本稿では,畳み込みニューラルネットワークモデルの多レベル潜在空間を非バイアス化する手法として,コントラッシブラーニングを用いた高密度表現(FairDCL)を提案する。 得られた画像表現は、下流の都市と農村の予測格差を軽減し、現実の衛星画像の最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-11-16T04:59:46Z)
• 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)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• An Efficient Method for the Classification of Croplands in Scarce-Label Regions [0.0]
  衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。 ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。 自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
  論文  参考訳（メタデータ） (2021-03-17T12:10:11Z)
• Urban land-use analysis using proximate sensing imagery: a survey [3.79474411753363]
  近接センシング画像を活用した研究は、都市土地利用分析におけるローカルデータの必要性に対処する大きな可能性を実証している。 本稿では,近位センシングから土地利用分析までの最新手法と公開データセットを概観し,要約する。
  論文  参考訳（メタデータ） (2021-01-13T01:30:21Z)

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。