論文の概要: Investigating Temporal Convolutional Neural Networks for Satellite Image
Time Series Classification
- arxiv url: http://arxiv.org/abs/2204.08461v1
- Date: Wed, 13 Apr 2022 14:08:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-24 16:40:09.616021
- Title: Investigating Temporal Convolutional Neural Networks for Satellite Image
Time Series Classification
- Title(参考訳): 衛星画像時系列分類のための時間畳み込みニューラルネットワークの検討
- Authors: James Brock, Zahraa S. Abdallah
- Abstract要約: 本稿では,論文からSITS分類法,すなわちTemporal CNNを新たに提案した手法について検討・拡張する。
2つのベンチマークSITSデータセットで実験を行い、この結果から、Temporal CNNは両方のデータセットのベンチマークアルゴリズムよりも優れた、あるいは競合的なパフォーマンスを示すことが示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Satellite Image Time Series (SITS) of the Earth's surface provide detailed
land cover maps, with their quality in the spatial and temporal dimensions
consistently improving. These image time series are integral for developing
systems that aim to produce accurate, up-to-date land cover maps of the Earth's
surface. Applications are wide-ranging, with notable examples including
ecosystem mapping, vegetation process monitoring and anthropogenic land-use
change tracking. Recently proposed methods for SITS classification have
demonstrated respectable merit, but these methods tend to lack native
mechanisms that exploit the temporal dimension of the data; commonly resulting
in extensive data pre-processing prohibitively long training times. To overcome
these shortcomings, this paper seeks to study and enhance the newly proposed
method for SITS classification from literature; namely Temporal CNNs.
Comprehensive experiments are carried out on two benchmark SITS datasets with
the results demonstrating that Temporal CNNs display a superior or competitive
performance to the benchmark algorithms for both datasets. Investigations into
the Temporal CNNs architecture also highlighted the non-trivial task of
optimising the model for a new dataset.
- Abstract(参考訳): 地球表面の衛星画像時系列(SITS)は詳細な土地被覆地図を提供し、その空間次元と時間次元は一貫して改善されている。
これらの画像時系列は、地球表面の正確な最新の土地被覆マップを作成することを目的とした開発システムにとって不可欠なものである。
適用範囲は広いが,生態系マッピングや植生プロセス監視,人為的土地利用変化追跡など,注目すべき例がある。
近年、SITS分類の手法は有益であるが、これらの手法はデータの時間的次元を生かしたネイティブなメカニズムを欠いている傾向にあり、一般に、広範囲なデータ前処理が極めて長い訓練時間をもたらす。
これらの欠点を克服するため,本稿では,新たに提案されたSITS分類手法,すなわちテンポラルCNNについて検討・拡張する。
2つのベンチマークs sittingデータセットで包括的な実験を行い、両データセットのベンチマークアルゴリズムに対して、テンポラリcnnが優れた性能または競合性能を示すことを実証した。
テンポラリcnnsアーキテクチャの調査は、新しいデータセットのためにモデルを最適化する非自明なタスクも強調した。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Automated Spatio-Temporal Graph Contrastive Learning [18.245433428868775]
パラメータ化コントラストビュージェネレータを用いた時間自動拡張方式を開発した。
AutoSTは多視点セマンティクスをよく保存した異種グラフに適応することができる。
いくつかの実世界のデータセットで3つのダウンストリーム時間的マイニングタスクの実験は、大きなパフォーマンス向上を示している。
論文 参考訳(メタデータ) (2023-05-06T03:52:33Z) - Revisiting the Encoding of Satellite Image Time Series [2.5874041837241304]
画像時系列(SITS)時間学習は、高時間分解能と不規則な取得時間のために複雑である。
我々は、クエリベースのトランスフォーマーデコーダを採用する最近のトレンドに触発されて、直接セット予測問題としてSITS処理の新たな視点を開発する。
衛星PASTISベンチマークデータセットを用いて,SOTA(State-of-the-art)の新たな結果を得た。
論文 参考訳(メタデータ) (2023-05-03T12:44:20Z) - Pixel-wise Agricultural Image Time Series Classification: Comparisons
and a Deformable Prototype-based Approach [42.63951950643241]
時間的データを用いた収穫分断の現在の手法は、データに依存するか、監督の欠如を補うために非常に高度に設計されている。
本手法は,教師付き設定と教師なし設定の両方において有意義な結果をもたらすことを示す。
論文 参考訳(メタデータ) (2023-03-22T13:06:39Z) - 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) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳(メタデータ) (2022-07-17T07:05:39Z) - SatMAE: Pre-training Transformers for Temporal and Multi-Spectral
Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。
時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文 参考訳(メタデータ) (2022-07-17T01:35:29Z) - Explicitly incorporating spatial information to recurrent networks for
agriculture [4.583080280213959]
本稿では,深層畳み込みニューラルネットワークの分類を改善するための新しい手法を提案する。
利用可能なRGB-D画像とロボット・オドメトリーを利用してフレーム間特徴マップ空間登録を行う。
この情報は、その正確さと堅牢性を改善するために、繰り返し学習されたモデル内で融合される。
論文 参考訳(メタデータ) (2022-06-27T15:57:42Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Attentive Weakly Supervised land cover mapping for object-based
satellite image time series data with spatial interpretation [4.549831511476249]
本稿では,粗粒度ラベルの弱さをインテリジェントに活用できる,TASSELという新しいディープラーニングフレームワークを提案する。
私たちのフレームワークは、ブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。
論文 参考訳(メタデータ) (2020-04-30T10:23:12Z)
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。