論文の概要: Time Gated Convolutional Neural Networks for Crop Classification
- arxiv url: http://arxiv.org/abs/2206.09756v1
- Date: Mon, 20 Jun 2022 13:05:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-25 10:14:56.509929
- Title: Time Gated Convolutional Neural Networks for Crop Classification
- Title(参考訳): 作物分類のための時間ゲーテッド畳み込みニューラルネットワーク
- Authors: Longlong Weng, Yashu Kang, Kezhao Jiang, Chunlei Chen
- Abstract要約: 最先端フレームワークTGCNN(Time Gated Convolutional Neural Network)
TGCNNは、作物分類問題に対する時間情報とゲーティング機構を利用する。
この地球観測時系列分類作業において,TGCNNが有利であることを示す。
- 参考スコア(独自算出の注目度): 0.9176056742068814
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presented a state-of-the-art framework, Time Gated Convolutional
Neural Network (TGCNN) that takes advantage of temporal information and gating
mechanisms for the crop classification problem. Besides, several vegetation
indices were constructed to expand dimensions of input data to take advantage
of spectral information. Both spatial (channel-wise) and temporal (step-wise)
correlation are considered in TGCNN. Specifically, our preliminary analysis
indicates that step-wise information is of greater importance in this data set.
Lastly, the gating mechanism helps capture high-order relationship. Our TGCNN
solution achieves $0.973$ F1 score, $0.977$ AUC ROC and $0.948$ IoU,
respectively. In addition, it outperforms three other benchmarks in different
local tasks (Kenya, Brazil and Togo). Overall, our experiments demonstrate that
TGCNN is advantageous in this earth observation time series classification
task.
- Abstract(参考訳): 本稿では,時系列情報とゲーティング機構を活用し,作物分類問題に対する最先端の枠組みであるtgcnn(time gated convolutional neural network)を提案する。
さらに、入力データの次元を拡大してスペクトル情報を活用するために、いくつかの植生指標を構築した。
tgcnnでは、空間的(チャネル的)と時間的(ステップ的)の相関が考慮される。
具体的には,このデータセットにおいてステップワイズ情報がより重要であることを示す予備分析を行った。
最後に、ゲーティング機構は高次関係を捉えるのに役立つ。
我々のTGCNNソリューションは、それぞれ0.973$F1スコア、0.977$AUC ROC、0.948$IoUを得る。
さらに、別のローカルタスク(ケニア、ブラジル、トーゴ)で他の3つのベンチマークを上回っている。
この地球観測時系列分類作業において,TGCNNが有利であることを示す実験を行った。
関連論文リスト
- Graph Neural Networks Provably Benefit from Structural Information: A
Feature Learning Perspective [53.999128831324576]
グラフニューラルネットワーク(GNN)は、グラフ表現学習の先駆けとなった。
本研究では,特徴学習理論の文脈におけるグラフ畳み込みの役割について検討する。
論文 参考訳(メタデータ) (2023-06-24T10:21:11Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳(メタデータ) (2022-07-06T10:01:46Z) - TCJA-SNN: Temporal-Channel Joint Attention for Spiking Neural Networks [26.379073358153384]
スパイキングニューラルネットワーク(SNN)は、生物学的妥当性、エネルギー効率、強力な時間情報表現能力によって、広く関心を集めている。
本稿では,TJA-SNNと呼ばれるSNNの時間・チャネル共同注意機構について述べる。
提案するTJA-SNNフレームワークは,空間次元と時間次元の両方からスパイクシーケンスの意義を効果的に評価することができる。
論文 参考訳(メタデータ) (2022-06-21T08:16:08Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳(メタデータ) (2021-10-06T16:08:44Z) - Towards Efficient Graph Convolutional Networks for Point Cloud Handling [181.59146413326056]
ポイントクラウド上で学習するためのグラフ畳み込みネットワーク(GCN)の計算効率の向上を目指します。
一連の実験により、最適化されたネットワークは計算複雑性を減らし、メモリ消費を減らし、推論速度を加速した。
論文 参考訳(メタデータ) (2021-04-12T17:59:16Z) - Spatio-temporal Crop Classification On Volumetric Data [3.2880869992413246]
多スペクトル画像を用いた大規模作物分類は数十年にわたって広く研究されてきた問題である。
深層畳み込みニューラルネットワーク(dcnn)が提案されているが、ランダムフォレストに匹敵する結果しか得られていない。
本研究では,大規模作物分類のための新しいCNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-03-18T07:13:53Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳(メタデータ) (2020-11-26T14:43:04Z) - MG-GCN: Fast and Effective Learning with Mix-grained Aggregators for
Training Large Graph Convolutional Networks [20.07942308916373]
グラフ畳み込みネットワーク(GCN)は、隣人層の情報を層ごとに集約することでノードの埋め込みを生成する。
GCNの高計算とメモリコストにより、大きなグラフのトレーニングが不可能になる。
MG-GCNと呼ばれる新しいモデルでは、精度、トレーニング速度、収束速度、メモリコストの点で最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2020-11-17T14:51:57Z) - AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。
半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。
実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文 参考訳(メタデータ) (2020-07-05T08:16:03Z)
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。