論文の概要: Large-scale unsupervised spatio-temporal semantic analysis of vast
regions from satellite images sequences
- arxiv url: http://arxiv.org/abs/2208.13504v3
- Date: Wed, 14 Feb 2024 15:18:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 20:43:54.280475
- Title: Large-scale unsupervised spatio-temporal semantic analysis of vast
regions from satellite images sequences
- Title（参考訳）: 衛星画像からの大規模領域の大規模無監督時空間意味解析
- Authors: Carlos Echegoyen, Aritz P\'erez, Guzm\'an Santaf\'e, Unai P\'erez-Goya
and Mar\'ia Dolores Ugarte
- Abstract要約: スペイン北部の220 km$2$の地域について詳細な分析を行う手法を提案する。
その結果,大面積がコンパクトで構造的に結びついている土地地形の広範かつ直感的な見方が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Temporal sequences of satellite images constitute a highly valuable and
abundant resource for analyzing regions of interest. However, the automatic
acquisition of knowledge on a large scale is a challenging task due to
different factors such as the lack of precise labeled data, the definition and
variability of the terrain entities, or the inherent complexity of the images
and their fusion. In this context, we present a fully unsupervised and general
methodology to conduct spatio-temporal taxonomies of large regions from
sequences of satellite images. Our approach relies on a combination of deep
embeddings and time series clustering to capture the semantic properties of the
ground and its evolution over time, providing a comprehensive understanding of
the region of interest. The proposed method is enhanced by a novel procedure
specifically devised to refine the embedding and exploit the underlying
spatio-temporal patterns. We use this methodology to conduct an in-depth
analysis of a 220 km$^2$ region in northern Spain in different settings. The
results provide a broad and intuitive perspective of the land where large areas
are connected in a compact and well-structured manner, mainly based on
climatic, phytological, and hydrological factors.
- Abstract（参考訳）: 衛星画像の時系列は、興味のある領域を分析するために非常に貴重で豊富な資源である。
しかしながら、大規模な知識の自動獲得は、正確なラベル付きデータの欠如、地形エンティティの定義と可変性、画像とそれらの融合の固有の複雑さなど、さまざまな要因により難しい課題である。
本研究では,衛星画像のシーケンスから大規模領域の時空間的分類を行うための,教師なしで一般的な手法を提案する。
我々のアプローチは、深層埋め込みと時系列クラスタリングを組み合わせることで、地上のセマンティックな特性と時間の経過とともに進化を捉え、関心領域の包括的理解を提供する。
提案手法は, 埋め込みを改良し, その基礎となる時空間パターンを活用するために考案された新しい手法によって拡張される。
この手法を用いて、スペイン北部の220 km$^2$の地域を異なる設定で詳細に分析する。
その結果, 気候, 植物学, 水文学的な要因を中心に, 広い地域がコンパクトで構造的に結びついている土地の広い直感的な見方が得られた。
関連論文リスト
- MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Region-aware Distribution Contrast: A Novel Approach to Multi-Task Partially Supervised Learning [50.88504784466931]
マルチタスク密度予測にはセマンティックセグメンテーション、深さ推定、表面正規推定が含まれる。
既存のソリューションは通常、グローバルなクロスタスク画像マッチングのためのグローバルなイメージ表現の学習に依存している。
本提案では,ガウス分布を用いた地域表現をモデル化する。
論文 参考訳（メタデータ） (2024-03-15T12:41:30Z) - Semi-Automated Segmentation of Geoscientific Data Using Superpixels [4.035753155957697]
地質学的プロセスは、臨界鉱物、水、地熱エネルギーなどの資源の分布を決定する。
スーパーピクセルの概念に触発されて,類似した特徴を持つ領域に分割したサーベイデータに対する深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-20T19:21:46Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - Activation Regression for Continuous Domain Generalization with
Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。
中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。
我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文 参考訳（メタデータ） (2022-04-14T15:41:39Z) - A Review of Landcover Classification with Very-High Resolution Remotely
Sensed Optical Images-Analysis Unit,Model Scalability and Transferability [4.704131850850489]
ランドカバー分類は、超高解像度(VHR)画像解析において最も難しい課題の1つである。
ディープラーニング(DL)に基づく土地被覆手法とトレーニング戦略の急速な増加が最先端であると主張されているため、既に断片化された土地被覆マッピング手法の技術的景観はさらに複雑である。
論文 参考訳（メタデータ） (2022-02-07T16:38:40Z) - Attention-augmented Spatio-Temporal Segmentation for Land Cover Mapping [9.992909929182202]
衛星データの空間的および時間的性質を共同利用するために、UNet構造と双方向LSTMおよび注意メカニズムを組み込んだ新しいアーキテクチャを紹介します。
世界中の複数地域で作物をマッピングする手法の評価を行った。
論文 参考訳（メタデータ） (2021-05-02T05:39:42Z) - 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) - Attentive Weakly Supervised land cover mapping for object-based
satellite image time series data with spatial interpretation [4.549831511476249]
本稿では,粗粒度ラベルの弱さをインテリジェントに活用できる,TASSELという新しいディープラーニングフレームワークを提案する。
私たちのフレームワークは、ブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。
論文 参考訳（メタデータ） (2020-04-30T10:23:12Z) - Seismic horizon detection with neural networks [62.997667081978825]
本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
論文 参考訳（メタデータ） (2020-01-10T11:30:50Z)
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。