論文の概要: Mapping Temporary Slums from Satellite Imagery using a Semi-Supervised Approach

• arxiv url: http://arxiv.org/abs/2204.04419v1
• Date: Sat, 9 Apr 2022 08:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 06:58:43.927095
• Title: Mapping Temporary Slums from Satellite Imagery using a Semi-Supervised Approach
• Title（参考訳）: 半監督的アプローチによる衛星画像からの仮設スラムのマッピング
• Authors: M. Fasi ur Rehman, Izza Ali, Waqas Sultani, Mohsen Ali
• Abstract要約: 全世界で10億人がスラムに住んでいると推定されている。 小さくて散らばった一時的なスラムは、データ収集とラベル付けを面倒で時間を要する。 半教師付きディープラーニングセグメンテーションに基づく一時スラム検出手法を提案する。
• 参考スコア（独自算出の注目度）: 5.830619388189557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One billion people worldwide are estimated to be living in slums, and documenting and analyzing these regions is a challenging task. As compared to regular slums; the small, scattered and temporary nature of temporary slums makes data collection and labeling tedious and time-consuming. To tackle this challenging problem of temporary slums detection, we present a semi-supervised deep learning segmentation-based approach; with the strategy to detect initial seed images in the zero-labeled data settings. A small set of seed samples (32 in our case) are automatically discovered by analyzing the temporal changes, which are manually labeled to train a segmentation and representation learning module. The segmentation module gathers high dimensional image representations, and the representation learning module transforms image representations into embedding vectors. After that, a scoring module uses the embedding vectors to sample images from a large pool of unlabeled images and generates pseudo-labels for the sampled images. These sampled images with their pseudo-labels are added to the training set to update the segmentation and representation learning modules iteratively. To analyze the effectiveness of our technique, we construct a large geographically marked dataset of temporary slums. This dataset constitutes more than 200 potential temporary slum locations (2.28 square kilometers) found by sieving sixty-eight thousand images from 12 metropolitan cities of Pakistan covering 8000 square kilometers. Furthermore, our proposed method outperforms several competitive semi-supervised semantic segmentation baselines on a similar setting. The code and the dataset will be made publicly available.
• Abstract（参考訳）: 世界中の10億人がスラムに住んでおり、これらの地域の文書化と分析は難しい課題だ。 通常のスラムと比較して、一時的なスラムの小さな、散らばった、一時的な性質は、データの収集とラベル付けを退屈で時間を要する。 この一時的なスラム検出の課題に対処するため、ゼロラベルデータ設定における初期シード画像の検出戦略を用いて、半教師付きディープラーニングセグメンテーションに基づくアプローチを提案する。 時間的変化を解析し,手動でセグメンテーションと表現学習モジュールのトレーニングを行うことで,種子サンプルの小さなセット(この場合は32)が自動的に検出される。 セグメンテーションモジュールは高次元画像表現を収集し、表現学習モジュールは画像表現を埋め込みベクトルに変換する。 その後、スコアリングモジュールは埋め込みベクトルを使用して、未ラベル画像の大きなプールから画像をサンプリングし、サンプル画像の擬似ラベルを生成する。 これらのサンプル画像を擬似ラベルでトレーニングセットに追加し、セグメンテーションと表現学習モジュールを反復的に更新する。 本手法の有効性を分析するため,一時スラムの地理的にマークされた大規模データセットを構築した。 このデータセットは、パキスタンの12大都市から6万8千枚の画像を収集し、200以上の仮スラム位置(2.28平方キロメートル)が発見された。 さらに,提案手法は,類似の設定において,いくつかの競合的半教師付き意味セグメンテーションベースラインを上回っている。 コードとデータセットは公開される予定だ。

関連論文リスト

• Leveraging image captions for selective whole slide image annotation [0.37334049820361814]
  本稿では,モデルトレーニングを最適化する特定の画像領域の同定とアノテーションについて述べる。 プロトタイプサンプリングは、価値あるトレーニング情報を持つアノテーション領域を特定する際に、ランダムサンプリングや多様性サンプリングよりも効果的である。 本結果より, アノテーション領域の同定において, プロトタイプサンプリングの方が, ランダムサンプリングや多様性サンプリングよりも有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-07-08T20:05:21Z)
• A new dataset for measuring the performance of blood vessel segmentation methods under distribution shifts [0.0]
  VessMAPは、より大きな非注釈データセットから関連画像を慎重にサンプリングして取得した異種血管セグメンテーションデータセットである。 ベースデータセットから原型と非典型の両方を選択する手法を開発した。 新しいデータセットの可能性を示すために、ニューラルネットワークの検証性能は、ネットワークのトレーニングに使用する分割によって大きく変化することを示す。
  論文  参考訳（メタデータ） (2023-01-11T15:31:15Z)
• From colouring-in to pointillism: revisiting semantic segmentation supervision [48.637031591058175]
  本稿では,意味的セグメンテーションアノテーションに対するポジリスト的アプローチを提案する。 Open Imagesデータセットで4,171のクラスに2260万のポイントラベルを収集してリリースしました。
  論文  参考訳（メタデータ） (2022-10-25T16:42:03Z)
• Aerial Scene Parsing: From Tile-level Scene Classification to Pixel-wise Semantic Labeling [48.30060717413166]
  航空画像が与えられた場合、空中シーン解析(ASP)は、画像の各ピクセルにセマンティックラベルを割り当てることで、画像内容の意味構造を解釈する。 本稿では,Mario-AIDと呼ばれる100万件の航空画像を含む大規模シーン分類データセットを提案する。 また,古典的畳み込みニューラルネットワーク(CNN)を用いたベンチマーク実験を行い,ピクセルワイドなセマンティックラベリングを実現する。
  論文  参考訳（メタデータ） (2022-01-06T07:40:47Z)
• A Pixel-Level Meta-Learner for Weakly Supervised Few-Shot Semantic Segmentation [40.27705176115985]
  Few-shotのセマンティックセマンティックセグメンテーションは、興味のある新しいクラスのために、地上の真実のピクセルレベルのラベルを持つ少数の画像しか利用できない学習タスクに対処する。 限られたデータとその意味ラベルから擬似画素レベルのセグメンテーションマスクを予測するメタラーニングフレームワークを提案する。 提案する学習モデルは,画素レベルのメタラーナーとみなすことができる。
  論文  参考訳（メタデータ） (2021-11-02T08:28:11Z)
• Active Learning for Improved Semi-Supervised Semantic Segmentation in Satellite Images [1.0152838128195467]
  半教師付きテクニックは、ラベル付きサンプルの小さなセットから擬似ラベルを生成する。 そこで我々は,ラベル付きトレーニングデータの集合を高度に代表的に選択するために,アクティブな学習に基づくサンプリング戦略を提案する。 我々はmIoUの27%の改善を報告し、2%のラベル付きデータをアクティブラーニングサンプリング戦略を用いて報告した。
  論文  参考訳（メタデータ） (2021-10-15T00:29:31Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Segmentation of VHR EO Images using Unsupervised Learning [19.00071868539993]
  単一のラベルのないシーンでトレーニングできる教師なしセマンティックセマンティックセマンティクス手法を提案する。 提案手法は、この特性を利用して、より大きなシーンから小さなパッチをサンプリングする。 対象画像/シーンの教師なしトレーニングの後、モデルはシーンに存在する主要なクラスを自動的に分離し、セグメンテーションマップを生成する。
  論文  参考訳（メタデータ） (2021-07-09T11:42:48Z)
• Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation [64.2719590819468]
  弱教師付きセマンティックセグメンテーションのための非塩分領域オブジェクトマイニング手法を提案する。 擬似ラベルの偽陰性率を低減するために、潜在的なオブジェクトマイニングモジュールを提案する。 非サリエント領域マスキングモジュールは、非サリエント領域内のオブジェクトをさらに発見するのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-26T16:44:03Z)
• Geography-Aware Self-Supervised Learning [79.4009241781968]
  異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。 本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-11-19T17:29:13Z)
• Naive-Student: Leveraging Semi-Supervised Learning in Video Sequences for Urban Scene Segmentation [57.68890534164427]
  本研究では,未ラベル映像シーケンスと追加画像の半教師付き学習を利用して,都市景観セグメンテーションの性能を向上させることができるかどうかを問う。 我々は単にラベルのないデータに対して擬似ラベルを予測し、人間の注釈付きデータと擬似ラベル付きデータの両方でその後のモデルを訓練する。 我々のNaive-Studentモデルは、このような単純で効果的な反復的半教師付き学習で訓練され、3つのCityscapesベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-05-20T18:00:05Z)

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。