論文の概要: Satellite Image Time Series Analysis for Big Earth Observation Data
- arxiv url: http://arxiv.org/abs/2204.11301v1
- Date: Sun, 24 Apr 2022 15:23:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 14:53:08.774639
- Title: Satellite Image Time Series Analysis for Big Earth Observation Data
- Title（参考訳）: 大地観測データのための衛星画像時系列解析
- Authors: Rolf Simoes, Gilberto Camara, Gilberto Queiroz, Felipe Souza, Pedro R.
Andrade, Lorena Santos, Alexandre Carvalho and Karine Ferreira
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 50.591267188664666
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The development of analytical software for big Earth observation data faces
several challenges. Designers need to balance between conflicting factors.
Solutions that are efficient for specific hardware architectures can not be
used in other environments. Packages that work on generic hardware and open
standards will not have the same performance as dedicated solutions. Software
that assumes that its users are computer programmers are flexible but may be
difficult to learn for a wide audience. This paper describes sits, an
open-source R package for satellite image time series analysis using machine
learning. To allow experts to use satellite imagery to the fullest extent, sits
adopts a time-first, space-later approach. It supports the complete cycle of
data analysis for land classification. Its API provides a simple but powerful
set of functions. The software works in different cloud computing environments.
Satellite image time series are input to machine learning classifiers, and the
results are post-processed using spatial smoothing. Since machine learning
methods need accurate training data, sits includes methods for quality
assessment of training samples. The software also provides methods for
validation and accuracy measurement. The package thus comprises a production
environment for big EO data analysis. We show that this approach produces high
accuracy for land use and land cover maps through a case study in the Cerrado
biome, one of the world's fast moving agricultural frontiers for the year 2018.
- Abstract（参考訳）: 大地観測データ解析ソフトウェアの開発にはいくつかの課題がある。
デザイナーは相反する要因のバランスをとる必要がある。
特定のハードウェアアーキテクチャに効率的なソリューションは、他の環境では使用できない。
汎用ハードウェアとオープンスタンダードで動作するパッケージは、専用のソリューションと同等の性能を持ちません。
ユーザをコンピュータプログラマと仮定するソフトウェアは柔軟だが、幅広い読者のために学ぶのは難しいかもしれない。
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。
専門家が衛星画像を最大限に活用できるようにするため、衛星は時間第一の、後続のアプローチを採用している。
土地分類のためのデータ分析の完全なサイクルをサポートする。
そのAPIはシンプルだが強力な関数セットを提供する。
ソフトウェアはさまざまなクラウドコンピューティング環境で動作する。
衛星画像時系列は機械学習分類器に入力され、結果は空間平滑化を用いて後処理される。
機械学習手法は正確なトレーニングデータを必要とするため、トレーニングサンプルの品質評価方法を含んでいる。
このソフトウェアは、検証と精度測定の方法も提供する。
このパッケージは、大規模なEOデータ分析のための生産環境を含む。
この手法は,2018年の世界高速移動農業フロンティアの一つ,セラド生物群(Cerrado biome)のケーススタディを通じて,土地利用と土地被覆マップの精度が高いことを示す。
関連論文リスト
- 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) - 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) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - 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) - 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) - GalaxAI: Machine learning toolbox for interpretable analysis of
spacecraft telemetry data [48.42042893355919]
GalaxAIは、宇宙船のテレメトリデータを分析するための汎用的な機械学習ツールボックスである。
多変量時系列解析、分類、回帰、構造化出力予測に様々な機械学習アルゴリズムを使用している。
本稿では,2つの異なる宇宙船に関する2つのユースケースにおいて,GalaxAIの有用性と汎用性を示す。
論文 参考訳（メタデータ） (2021-08-03T10:45:20Z) - A Spacecraft Dataset for Detection, Segmentation and Parts Recognition [42.27081423489484]
本稿では,宇宙船検出,インスタンスのセグメンテーション,部分認識のためのデータセットをリリースする。
この研究の主な貢献は、宇宙ステーションと衛星の画像を用いたデータセットの開発である。
また、データセットのベンチマークとして、オブジェクト検出やインスタンスセグメンテーションにおける最先端の手法による評価も提供する。
論文 参考訳（メタデータ） (2021-06-15T14:36:56Z) - 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。