論文の概要: Monitoring Vegetation From Space at Extremely Fine Resolutions via Coarsely-Supervised Smooth U-Net

• arxiv url: http://arxiv.org/abs/2207.08022v1
• Date: Sat, 16 Jul 2022 21:36:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 14:34:09.375416
• Title: Monitoring Vegetation From Space at Extremely Fine Resolutions via Coarsely-Supervised Smooth U-Net
• Title（参考訳）: 粗教師付きスムースu-netによる超微細分解能空間からの植生モニタリング
• Authors: Joshua Fan, Di Chen, Jiaming Wen, Ying Sun, Carla P. Gomes
• Abstract要約: 植生の生産性を極めて微細な解像度でモニタリングすることは、現実世界の農業用途に有用である。 粗い監督設定のための新しい手法として、粗い監督された平滑なU-Net(CS-SUNet)を提案する。 実験の結果,CS-SUNetは既存手法よりも高精度にSIFの微細な変化を解消できることがわかった。
• 参考スコア（独自算出の注目度）: 31.664846332628183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring vegetation productivity at extremely fine resolutions is valuable for real-world agricultural applications, such as detecting crop stress and providing early warning of food insecurity. Solar-Induced Chlorophyll Fluorescence (SIF) provides a promising way to directly measure plant productivity from space. However, satellite SIF observations are only available at a coarse spatial resolution, making it impossible to monitor how individual crop types or farms are doing. This poses a challenging coarsely-supervised regression (or downscaling) task; at training time, we only have SIF labels at a coarse resolution (3km), but we want to predict SIF at much finer spatial resolutions (e.g. 30m, a 100x increase). We also have additional fine-resolution input features, but the relationship between these features and SIF is unknown. To address this, we propose Coarsely-Supervised Smooth U-Net (CS-SUNet), a novel method for this coarse supervision setting. CS-SUNet combines the expressive power of deep convolutional networks with novel regularization methods based on prior knowledge (such as a smoothness loss) that are crucial for preventing overfitting. Experiments show that CS-SUNet resolves fine-grained variations in SIF more accurately than existing methods.
• Abstract（参考訳）: 植生の生産性を極めて微細な解像度で監視することは、作物のストレスの検出や食料不足の早期警告など、実世界の農業用途に有用である。 太陽誘起クロロフィル蛍光(SIF)は、宇宙から植物の生産性を直接測定する有望な方法である。 しかし、衛星SIF観測は粗い空間分解能でしか利用できないため、個々の作物や農場の状況を監視することは不可能である。 トレーニング時には、粗い解像度(3km)でsifラベルしか持たないが、より細かい空間分解能でsifを予測したい(例えば、30m、100倍の増加)。 追加の詳細な入力機能もありますが、これらの機能とsifの関係は不明です。 そこで我々は,この粗い監視設定のための新しい手法であるCS-SUNet(Coarsely-Supervised Smooth U-Net)を提案する。 CS-SUNetは、深層畳み込みネットワークの表現力と、オーバーフィットを防ぐために不可欠な事前知識(スムーズな損失など)に基づく新しい正規化手法を組み合わせる。 実験の結果,CS-SUNetは既存手法よりも高精度にSIFの微細な変化を解消できることがわかった。

関連論文リスト

• Retrieval of sun-induced plant fluorescence in the O$_2$-A absorption band from DESIS imagery [1.3107669223114087]
  太陽誘起蛍光(SIF)の高画質航空機推定値と強く相関して,30mの地上分解能で宇宙空間のSIFマップを検索できる第1の方法を提案する。 SIFの推定値は、農業管理と生理学研究に関連する多くのタスクについて説明情報を提供することができる。
  論文  参考訳（メタデータ） (2024-11-12T13:02:06Z)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based Constraints [19.897181782914437]
  本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。 我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
  論文  参考訳（メタデータ） (2024-01-25T19:46:57Z)
• AGSPNet: A framework for parcel-scale crop fine-grained semantic change detection from UAV high-resolution imagery with agricultural geographic scene constraints [1.9151076515142376]
  本稿では,農業の地理的景観と農業用大規模制約付きSCDフレームワーク(AGSPNet)を提案する。 複雑な地理的景観における作物の複数の意味変化を包含する,農業モニタリング専用のUAV画像SCDデータセット(CSCD)を作成し,導入する。 以上の結果から,AGSPNet の収穫 SCD は,他の深層学習 SCD モデルよりも,量と品質の点で一貫して優れていた。
  論文  参考訳（メタデータ） (2024-01-11T20:47:28Z)
• Trust your neighbours: Penalty-based constraints for model calibration [19.437451462590108]
  SVLSの制約付き最適化の観点を示し、周辺画素のソフトクラス比に暗黙の制約を課すことを示した。 本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。
  論文  参考訳（メタデータ） (2023-03-11T01:10:26Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• Input-Specific Robustness Certification for Randomized Smoothing [76.76115360719837]
  本稿では,ロバストネス認証の費用対効果を達成するために,インプット・スペクティブ・サンプリング(ISS)の高速化を提案する。 ISSは、認定半径0.05の限られたコストで3回以上、認定をスピードアップすることができる。
  論文  参考訳（メタデータ） (2021-12-21T12:16:03Z)
• Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
  我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。 このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。 リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。 イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
  論文  参考訳（メタデータ） (2021-03-29T02:58:27Z)
• Aurora Guard: Reliable Face Anti-Spoofing via Mobile Lighting System [103.5604680001633]
  紙写真やデジタルビデオの高解像度レンダリングリプレイに対する反偽造は、未解決の問題だ。 オーロラガード(Aurora Guard, AG)と呼ばれる, シンプルだが効果的な顔保護システムを提案する。
  論文  参考訳（メタデータ） (2021-02-01T09:17:18Z)
• Joint Super-Resolution and Rectification for Solar Cell Inspection [7.591404302498596]
  太陽電池モジュールの視覚検査は、太陽光発電プラントにおいて重要な監視施設である。 マルチフレーム超解像(MFSR)を低分解能測定列に適用する。 提案手法は, バイコビックアップサンプリングの3倍, 自動検査の2倍の精度を示す。
  論文  参考訳（メタデータ） (2020-11-10T09:47:21Z)

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。