論文の概要: Open High-Resolution Satellite Imagery: The WorldStrat Dataset -- With
Application to Super-Resolution
- arxiv url: http://arxiv.org/abs/2207.06418v1
- Date: Wed, 13 Jul 2022 14:30:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-16 08:48:49.830315
- Title: Open High-Resolution Satellite Imagery: The WorldStrat Dataset -- With
Application to Super-Resolution
- Title（参考訳）: オープン高解像度衛星画像:worldstratデータセットとスーパーレゾリューションへの応用
- Authors: Julien Cornebise and Ivan Or\v{s}oli\'c and Freddie Kalaitzis
- Abstract要約: 以下にWorldStratデータセットを紹介する。
最大の、そして最も多様な公開データセットは、エアバス SPOT 6/7の高解像度の1.5 m/ピクセルである。
我々は、世界中のあらゆる種類の土地利用の成層的表現を確保するために、1万平方キロ近いユニークな場所をキュレートした。
自由アクセス可能な低解像度のSentinel-2衛星から10m/ピクセルの高解像度画像を複数の低解像度画像で時間的にマッチングする。
- 参考スコア（独自算出の注目度）: 0.6445605125467573
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Analyzing the planet at scale with satellite imagery and machine learning is
a dream that has been constantly hindered by the cost of difficult-to-access
highly-representative high-resolution imagery. To remediate this, we introduce
here the WorldStrat dataset. The largest and most varied such publicly
available dataset, at Airbus SPOT 6/7 satellites' high resolution of up to 1.5
m/pixel, empowered by European Space Agency's Phi-Lab as part of the ESA-funded
QueryPlanet project, we curate nearly 10,000 sqkm of unique locations to ensure
stratified representation of all types of land-use across the world: from
agriculture to ice caps, from forests to multiple urbanization densities. We
also enrich those with locations typically under-represented in ML datasets:
sites of humanitarian interest, illegal mining sites, and settlements of
persons at risk. We temporally-match each high-resolution image with multiple
low-resolution images from the freely accessible lower-resolution Sentinel-2
satellites at 10 m/pixel. We accompany this dataset with an open-source Python
package to: rebuild or extend the WorldStrat dataset, train and infer baseline
algorithms, and learn with abundant tutorials, all compatible with the popular
EO-learn toolbox. We hereby hope to foster broad-spectrum applications of ML to
satellite imagery, and possibly develop from free public low-resolution
Sentinel2 imagery the same power of analysis allowed by costly private
high-resolution imagery. We illustrate this specific point by training and
releasing several highly compute-efficient baselines on the task of Multi-Frame
Super-Resolution. High-resolution Airbus imagery is CC BY-NC, while the labels
and Sentinel2 imagery are CC BY, and the source code and pre-trained models
under BSD. The dataset is available at https://zenodo.org/record/6810792 and
the software package at https://github.com/worldstrat/worldstrat .
- Abstract（参考訳）: 衛星画像と機械学習で惑星を大規模に分析することは、アクセスが難しい高精細画像のコストによって常に妨げられている夢だ。
これを改善するために、WorldStratデータセットを紹介します。
欧州宇宙機関(ESA)が出資したQueryPlanetプロジェクトの一環として、欧州宇宙機関(ESA)のPhi-Labによって最大1.5m/ピクセルの高解像度のAirbus SPOT 6/7衛星で、地球上のあらゆる種類の土地利用の成層化を確実にするために、1万平方キロ近いユニークな場所をキュレートした。
また、人道的関心の場所、違法な鉱業の場所、危険にさらされている人々の居住地など、MLデータセットで典型的に表現されていない場所を豊かにしています。
10m/ピクセルの低解像度衛星sentinel-2の高分解能画像と複数の低解像度画像とを時間的に一致させる。
このデータセットには、WorldStratデータセットの再構築または拡張、ベースラインアルゴリズムのトレーニングと推論、豊富なチュートリアルによる学習など、オープンソースのPythonパッケージが付属しています。
我々は、衛星画像に対するmlの広スペクトル応用を促進し、費用のかかる民間の高解像度画像で許容される分析能力と同等の自由公開の低解像度センチネル2画像から発展させることを望んでいる。
本稿では,マルチフレーム超解法の課題に対して,高い計算効率のベースラインを学習・リリースすることで,この特異点を説明する。
高解像度のAirbusイメージはCC BY-NC、ラベルとSentinel2イメージはCC BY、ソースコードとBSDで事前訓練されたモデルである。
データセットはhttps://zenodo.org/record/6810792で、ソフトウェアパッケージはhttps://github.com/worldstrat/worldstratで入手できる。
関連論文リスト
- Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve
Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。
MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。
これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文 参考訳（メタデータ） (2023-12-07T18:59:14Z) - FLAIR: a Country-Scale Land Cover Semantic Segmentation Dataset From
Multi-Source Optical Imagery [4.9687851703152806]
本稿では,フランス国立地理学林情報研究所 (IGN) の広範なデータセットであるFLAIR (Aerospace ImageRy) のフレンチランドカバーを紹介する。
FLAIRは、地上サンプル距離20cmの高解像度空中画像と、正確な土地被覆分類のための200億以上の個別ラベル付きピクセルを含んでいる。
このデータセットは、光学衛星時系列からの時間的・スペクトル的なデータも統合する。
論文 参考訳（メタデータ） (2023-10-20T07:55:12Z) - 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) - Enabling Country-Scale Land Cover Mapping with Meter-Resolution
Satellite Imagery [42.70832378336697]
高解像度衛星画像は、土地被覆分類のための豊富な詳細な空間情報を提供することができる。
大規模に詳細なカテゴリのランドカバーマッピングに高解像度画像を適用した研究はほとんどない。
本稿では,50億画素以上の高解像度Gaofen-2(4m)衛星画像を含む大規模ランドカバー・データセットであるFive-Billion-Pixelsを提案する。
論文 参考訳（メタデータ） (2022-09-01T21:00:23Z) - xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture
Radar Imagery [52.67592123500567]
世界の漁業は海洋資源や生態系に大きな脅威をもたらす。
夜間または夜間、全天候下で暗黒船の自動検出が可能となった。
xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
論文 参考訳（メタデータ） (2022-06-02T06:53:45Z) - Towards Space-to-Ground Data Availability for Agriculture Monitoring [0.0]
本稿では,クラウドソーシングプラットフォームであるMapillaryのストリートレベル画像とともに,Sentinel-1レーダとSentinel-2光画像時系列を含む地上空間データセットを提案する。
これらの異なるデータドメイン上で機械学習とディープラーニングのアルゴリズムをトレーニングし、意思決定の信頼性を高めるための融合技術の可能性を強調します。
論文 参考訳（メタデータ） (2022-05-16T14:35:48Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
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。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - 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) - Simple and Effective Synthesis of Indoor 3D Scenes [78.95697556834536]
1枚以上の画像から3D屋内シーンを没入する問題について検討する。
我々の狙いは、新しい視点から高解像度の画像とビデオを作成することである。
本稿では,不完全点雲の再投影から高解像度のRGB-D画像へ直接マップするイメージ・ツー・イメージのGANを提案する。
論文 参考訳（メタデータ） (2022-04-06T17:54:46Z) - FedSpace: An Efficient Federated Learning Framework at Satellites and
Ground Stations [10.250105527148731]
低軌道(LEO)衛星の大規模な展開は、大量の地球画像やセンサーデータを収集する。
ダウンリンク帯域の制限、疎結合性、画像解像度の正規化制約のため、高解像度画像をダウンロードし、これらの機械学習モデルを地上で訓練することは不可能であることが多い。
本稿では,地上局と衛星が収集した画像を衛星上で共有することなく,グローバルMLモデルを協調訓練するフェデレートラーニング(FL)を提案する。
論文 参考訳（メタデータ） (2022-02-02T20:09:27Z) - Sci-Net: a Scale Invariant Model for Building Detection from Aerial
Images [0.0]
本研究では,空間分解能の異なる空間画像に存在している建物を分割できるスケール不変ニューラルネットワーク(Sci-Net)を提案する。
具体的には,U-Netアーキテクチャを改良し,それを高密度なASPP(Atrous Space Pyramid Pooling)で融合し,微細なマルチスケール表現を抽出した。
論文 参考訳（メタデータ） (2021-11-12T16:45:20Z)
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。