論文の概要: Graph Neural Networks Extract High-Resolution Cultivated Land Maps from Sentinel-2 Image Series

• arxiv url: http://arxiv.org/abs/2208.02349v1
• Date: Wed, 3 Aug 2022 21:19:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-05 12:28:42.358308
• Title: Graph Neural Networks Extract High-Resolution Cultivated Land Maps from Sentinel-2 Image Series
• Title（参考訳）: グラフニューラルネットワークによるセンチネル2画像からの高分解能土地地図の抽出
• Authors: Lukasz Tulczyjew, Michal Kawulok, Nicolas Long\'ep\'e, Bertrand Le Saux, Jakub Nalepa
• Abstract要約: 本研究では,10mSentinel-2マルチスペクトル画像系列から2.5mの耕作地図を抽出する手法を提案する。 実験結果から,我々のモデルは,高品質なセグメンテーションマップを提供することによって,古典的および深層機械学習技術よりも優れていることがわかった。 このような記憶の脆弱さは、ミッションにおいて重要なものであり、軌道にいるとモデルとAIによる衛星とのアップリンクを可能にします。
• 参考スコア（独自算出の注目度）: 33.10103896300028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maintaining farm sustainability through optimizing the agricultural management practices helps build more planet-friendly environment. The emerging satellite missions can acquire multi- and hyperspectral imagery which captures more detailed spectral information concerning the scanned area, hence allows us to benefit from subtle spectral features during the analysis process in agricultural applications. We introduce an approach for extracting 2.5 m cultivated land maps from 10 m Sentinel-2 multispectral image series which benefits from a compact graph convolutional neural network. The experiments indicate that our models not only outperform classical and deep machine learning techniques through delivering higher-quality segmentation maps, but also dramatically reduce the memory footprint when compared to U-Nets (almost 8k trainable parameters of our models, with up to 31M parameters of U-Nets). Such memory frugality is pivotal in the missions which allow us to uplink a model to the AI-powered satellite once it is in orbit, as sending large nets is impossible due to the time constraints.
• Abstract（参考訳）: 農業経営を最適化することで農業の持続可能性を維持することは、より惑星に優しい環境を構築するのに役立つ。 新たな衛星ミッションは、走査された領域に関するより詳細なスペクトル情報をキャプチャするマルチスペクトル画像とハイパースペクトル画像を取得し、農業応用における分析過程における微妙なスペクトル特徴の恩恵を受けることができる。 本稿では,コンパクトグラフ畳み込みニューラルネットワークの恩恵を受ける10mセンチネル-2多重スペクトル画像系列から2.5mの土地地図を抽出する手法を提案する。 実験によると、我々のモデルは、高品質なセグメンテーションマップを提供することで古典的および深層機械学習技術よりも優れているだけでなく、U-Net(U-Netの最大3300万のパラメータを持つモデルのほぼ8kのトレーニング可能なパラメータ)と比較してメモリフットプリントを大幅に削減している。 このような記憶力の脆弱さは、時間的制約のために大きなネットを送ることは不可能であるため、軌道上においてai搭載衛星にモデルをアップリンクできるミッションにおいて重要な役割を担っている。

関連論文リスト

• Deep Multimodal Fusion for Semantic Segmentation of Remote Sensing Earth Observation Data [0.08192907805418582]
  本稿では,セマンティックセグメンテーションのための後期融合深層学習モデル(LF-DLM)を提案する。 1つのブランチは、UNetFormerがキャプチャした空中画像の詳細なテクスチャと、ViT(Multi-Axis Vision Transformer)バックボーンを統合する。 もう一方のブランチは、U-ViNet(U-TAE)を用いてSentinel-2衛星画像Max時系列から複雑な時間ダイナミクスをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-01T07:50:37Z)
• Automated Linear Disturbance Mapping via Semantic Segmentation of Sentinel-2 Imagery [0.0]
  道路、地震探査線、パイプラインは、森林地帯のカリブーの人口に重大な脅威をもたらす。 本研究では、低解像度(10m)のSentinel-2衛星画像のセマンティックセグメンテーションのためのVGGNet16アーキテクチャに基づく深部畳み込みニューラルネットワークモデルを用いる。 このモデルは、無料のAlberta Institute of Biodiversity Monitoring Human Footprintデータセットから得られた、地平線ラベルマップを使って訓練されている。
  論文  参考訳（メタデータ） (2024-09-19T14:42:12Z)
• Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning [54.094272065609815]
  本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。 1D-Justo-LiuNetは、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) を持つ最大精度 (0.93) を達成する。
  論文  参考訳（メタデータ） (2023-10-24T21:57:59Z)
• Multi-tiling Neural Radiance Field (NeRF) -- Geometric Assessment on Large-scale Aerial Datasets [5.391764618878545]
  本稿では,大規模航空データセット上でのNeRF(Neural Radiance Fields)のスケールアップを目指す。 具体的には、メモリ消費を減らすため、位置特定サンプリング技術とマルチカメラタイリング(MCT)戦略を導入する。 提案手法を代表的手法であるMip-NeRFに実装し,その幾何性能を3光度MVSパイプラインと比較する。
  論文  参考訳（メタデータ） (2023-10-01T00:21:01Z)
• SepHRNet: Generating High-Resolution Crop Maps from Remote Sensing imagery using HRNet with Separable Convolution [3.717258819781834]
  本稿では、HRNetと分離可能な畳み込み層を統合し、空間的パターンをキャプチャし、データの時間的パターンをキャプチャする、新たなDeep Learningアプローチを提案する。 提案アルゴリズムは、作物マップの生成において、97.5%の分類精度と55.2%のIoUを高い分類精度で達成する。
  論文  参考訳（メタデータ） (2023-07-11T18:07:25Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural Representations [77.90883737693325]
  本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。 これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。 さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
  論文  参考訳（メタデータ） (2022-09-02T17:44:50Z)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)
• Boundary Regularized Building Footprint Extraction From Satellite Images Using Deep Neural Network [6.371173732947292]
  本稿では,1つの衛星画像から構築事例を共同で検出し,ノイズの多い建物の境界形状を規則化する,新しいディープニューラルネットワークを提案する。 本モデルでは,オブジェクトの局所化,認識,セマンティックラベリング,幾何学的形状抽出を同時に行うことができる。
  論文  参考訳（メタデータ） (2020-06-23T17:24:09Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。