論文の概要: Classifying Crop Types using Gaussian Bayesian Models and Neural
Networks on GHISACONUS USGS data from NASA Hyperspectral Satellite Imagery
- arxiv url: http://arxiv.org/abs/2207.11228v1
- Date: Thu, 21 Jul 2022 14:22:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 12:28:01.731271
- Title: Classifying Crop Types using Gaussian Bayesian Models and Neural
Networks on GHISACONUS USGS data from NASA Hyperspectral Satellite Imagery
- Title（参考訳）: ガウスベイズモデルとニューラルネットを用いたnasaハイパースペクトル衛星画像からのghisaconus usgsデータに基づく作物分類
- Authors: Bill Basener
- Abstract要約: 我々は,USGS GHISACONUSデータにおいて,作物の種類を決定するための分類方法を提案する。
標準のLDAとQDA、および作物の種類とステージの結合確率を計算するベイズ風のカスタムバージョンを適用した。
また、データへのドロップアウトを伴う単一層ニューラルネットワークのテストも行ない、これはLDAに匹敵するがベイジアン法と同等ではない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral Imagining is a type of digital imaging in which each pixel
contains typically hundreds of wavelengths of light providing spectroscopic
information about the materials present in the pixel. In this paper we provide
classification methods for determining crop type in the USGS GHISACONUS data,
which contains around 7,000 pixel spectra from the five major U.S. agricultural
crops (winter wheat, rice, corn, soybeans, and cotton) collected by the NASA
Hyperion satellite, and includes the spectrum, geolocation, crop type, and
stage of growth for each pixel. We apply standard LDA and QDA as well as
Bayesian custom versions that compute the joint probability of crop type and
stage, and then the marginal probability for crop type, outperforming the
non-Bayesian methods. We also test a single layer neural network with dropout
on the data, which performs comparable to LDA and QDA but not as well as the
Bayesian methods.
- Abstract（参考訳）: ハイパースペクトルイマジネーション(hyperspectral imagining)は、各ピクセルが数百の波長の光を含むデジタルイメージングの一種で、ピクセルに存在する物質に関する分光情報を提供する。
本稿では,nasaハイペリオン衛星が収集した5つの主要農作物(小麦,米,トウモロコシ,大豆,綿)から約7,000ピクセルのスペクトルを含むusgs ghisaconusデータにおける作物種別を分類し,そのスペクトル,位置情報,作物種および各画素の成長段階を含む分類法を提案する。
我々は、標準のLDAとQDA、および、作物の種類とステージの結合確率を計算し、その後、作物タイプの限界確率を計算し、非ベイズ法より優れているベイズカスタムバージョンを適用した。
また,データのドロップアウトを伴う単一層ニューラルネットワークもテストし,ldaやqdaに匹敵する性能を示したが,ベイズ法には及ばなかった。
関連論文リスト
- SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳（メタデータ） (2024-02-03T03:13:50Z) - The Canadian Cropland Dataset: A New Land Cover Dataset for
Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。
このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。
ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
論文 参考訳（メタデータ） (2023-05-31T18:40:15Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳（メタデータ） (2022-11-15T17:57:12Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳（メタデータ） (2022-11-12T05:39:17Z) - High-Resolution UAV Image Generation for Sorghum Panicle Detection [23.88932181375298]
本稿では,データ拡張のためのGAN(Generative Adversarial Network)からの合成トレーニング画像を用いて,ソルガムパニックの検出とカウントの性能を向上させる手法を提案する。
提案手法は,実際のUAV RGB画像の地上真実データセットを限定した画像から画像への変換GANを用いて,パニックラベルを用いた合成高解像度UAV RGB画像を生成することができる。
論文 参考訳（メタデータ） (2022-05-08T20:26:56Z) - CalCROP21: A Georeferenced multi-spectral dataset of Satellite Imagery
and Crop Labels [20.951184753721503]
アメリカ農務省(USDA)は毎年、アメリカ全土で30mの解像度で作物のラベルを含むCropland Data Layer(CDL)を発売している。
CalCROP21と呼ばれる新しいセマンティックセグメンテーションベンチマークデータセットを作成し、カリフォルニア州セントラルバレー地域の多種多様な作物を空間分解能10mで作成する。
論文 参考訳（メタデータ） (2021-07-26T22:20:16Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - A Novel Spatial-Spectral Framework for the Classification of
Hyperspectral Satellite Imagery [1.066048003460524]
本研究では,土地被覆分類データに含まれるスペクトル情報と空間情報の両方を考慮に入れた新しい枠組みを提案する。
提案手法は,パヴィア大学とインド・パインズのデータセットでそれぞれ99.52%,98.31%の精度を達成し,従来の手法よりも優れている。
論文 参考訳（メタデータ） (2020-07-22T16:12:08Z)
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。