論文の概要: Enabling Country-Scale Land Cover Mapping with Meter-Resolution Satellite Imagery

• arxiv url: http://arxiv.org/abs/2209.00727v1
• Date: Thu, 1 Sep 2022 21:00:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:26:42.083991
• Title: Enabling Country-Scale Land Cover Mapping with Meter-Resolution Satellite Imagery
• Title（参考訳）: 衛星画像を用いた国別土地被覆図の作成
• Authors: Xin-Yi Tong, Gui-Song Xia, Xiao Xiang Zhu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 42.70832378336697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution satellite images can provide abundant, detailed spatial information for land cover classification, which is particularly important for studying the complicated built environment. However, due to the complex land cover patterns, the costly training sample collections, and the severe distribution shifts of satellite imageries, few studies have applied high-resolution images to land cover mapping in detailed categories at large scale. To fill this gap, we present a large-scale land cover dataset, Five-Billion-Pixels. It contains more than 5 billion labeled pixels of 150 high-resolution Gaofen-2 (4 m) satellite images, annotated in a 24-category system covering artificial-constructed, agricultural, and natural classes. In addition, we propose a deep-learning-based unsupervised domain adaptation approach that can transfer classification models trained on labeled dataset (referred to as the source domain) to unlabeled data (referred to as the target domain) for large-scale land cover mapping. Specifically, we introduce an end-to-end Siamese network employing dynamic pseudo-label assignment and class balancing strategy to perform adaptive domain joint learning. To validate the generalizability of our dataset and the proposed approach across different sensors and different geographical regions, we carry out land cover mapping on five megacities in China and six cities in other five Asian countries severally using: PlanetScope (3 m), Gaofen-1 (8 m), and Sentinel-2 (10 m) satellite images. Over a total study area of 60,000 square kilometers, the experiments show promising results even though the input images are entirely unlabeled. The proposed approach, trained with the Five-Billion-Pixels dataset, enables high-quality and detailed land cover mapping across the whole country of China and some other Asian countries at meter-resolution.
• Abstract（参考訳）: 高分解能衛星画像は、複雑な建築環境の研究に特に重要である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。 しかし, 複雑な土地被覆パターン, 費用のかかるサンプル収集, 衛星画像の高度分布変化などにより, 大規模に詳細な土地被覆地図に高解像度画像を適用した研究は少ない。 このギャップを埋めるために,我々は5億ピクセルという大規模土地被覆データセットを提案する。 50億画素以上の高解像度のGaofen-2 (4 m)衛星画像が含まれており、人工的に構築された、農業、自然のクラスをカバーする24カテゴリのシステムに注釈が付けられている。 さらに,ラベル付きデータセットで訓練された分類モデル(ソースドメイン)を,大規模土地被覆マッピングのためのラベル付きデータ(ターゲットドメイン)に転送する,ディープラーニングに基づく教師なしドメイン適応手法を提案する。 具体的には、動的擬似ラベル割り当てとクラスバランス戦略を用いて、適応的なドメイン共同学習を行う。 我々のデータセットの一般化可能性と、異なるセンサと異なる地理的領域にまたがるアプローチを検証するために、プラネットスコープ(3m)、gaofen-1(8m)、sentinel-2(10m)の衛星画像を用いて、中国と他の5つのアジアの6つの都市における5つのメガシティの土地被覆マッピングを行った。 総面積は6万平方キロメートルで、入力画像が完全にラベル付けされていなくても有望な結果が得られる。 提案手法はFive-Billion-Pixelsデータセットを用いてトレーニングされ,中国全土および他のアジア諸国における高品質で詳細な土地被覆地図をメートル分解能で作成することができる。

関連論文リスト

• Global High Categorical Resolution Land Cover Mapping via Weak Supervision [19.52604717907002]
  我々は、弱教師付きドメイン適応(WSDA)のために、完全ラベル付きソースドメインと弱ラベル付きターゲットドメインを組み合わせることを提案する。 粗いラベルと粗いラベルを使用することで、精密かつ詳細な土地被覆アノテーションに必要な労力を大幅に軽減できるため、これは有益である。 我々は,PlanetScope,Gaofen-1,Sentinel-2の衛星画像を用いて,世界中の10都市を対象とした高分類分解能土地被覆マッピングを行った。
  論文  参考訳（メタデータ） (2024-06-02T23:18:12Z)
• 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)
• OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover Mapping [15.419052489797775]
  OpenEarthMapは、グローバルな高解像度土地被覆マッピングのためのベンチマークデータセットである。 6大陸44か国から97の地域をカバーしている5000の航空画像と衛星画像の2200万部で構成されている。
  論文  参考訳（メタデータ） (2022-10-19T17:20:16Z)
• Open High-Resolution Satellite Imagery: The WorldStrat Dataset -- With Application to Super-Resolution [0.6445605125467573]
  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。
  論文  参考訳（メタデータ） (2022-07-13T14:30:20Z)
• 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)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
  我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。 MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。 外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
  論文  参考訳（メタデータ） (2020-10-15T15:36:58Z)
• Weakly Supervised Domain Adaptation for Built-up Region Segmentation in Aerial and Satellite Imagery [3.8508264614798517]
  環境に対する人間の影響,公共政策の影響,一般都市人口分析を理解する上で,構築された地域推定は重要な要素である。 航空や衛星画像の多様性と、この多様性をカバーするラベル付きデータの欠如により、機械学習アルゴリズムの一般化が困難になる。 本稿では,衛星画像と空中画像の課題に対処する新しい領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-05T10:05:01Z)

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。