論文の概要: Habitat classification from satellite observations with sparse annotations

• arxiv url: http://arxiv.org/abs/2209.12995v1
• Date: Mon, 26 Sep 2022 20:14:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 15:35:48.591579
• Title: Habitat classification from satellite observations with sparse annotations
• Title（参考訳）: スパースアノテーションを用いた衛星観測からのハビタット分類
• Authors: Mikko Impi\"o, Pekka H\"arm\"a, Anna Tammilehto, Saku Anttila, Jenni Raitoharju
• Abstract要約: リモートセンシングデータを用いた生息地分類とマッピング手法を提案する。 この方法は、フィールドから収集された細粒度でスパースな単一ピクセルアノテーションを使用することによって特徴付けられる。 本研究では, 収穫増量, 試験時間増量, 半教師付き学習が, さらに分類の助けとなることを示す。
• 参考スコア（独自算出の注目度）: 4.164845768197488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing benefits habitat conservation by making monitoring of large areas easier compared to field surveying especially if the remote sensed data can be automatically analyzed. An important aspect of monitoring is classifying and mapping habitat types present in the monitored area. Automatic classification is a difficult task, as classes have fine-grained differences and their distributions are long-tailed and unbalanced. Usually training data used for automatic land cover classification relies on fully annotated segmentation maps, annotated from remote sensed imagery to a fairly high-level taxonomy, i.e., classes such as forest, farmland, or urban area. A challenge with automatic habitat classification is that reliable data annotation requires field-surveys. Therefore, full segmentation maps are expensive to produce, and training data is often sparse, point-like, and limited to areas accessible by foot. Methods for utilizing these limited data more efficiently are needed. We address these problems by proposing a method for habitat classification and mapping, and apply this method to classify the entire northern Finnish Lapland area into Natura2000 classes. The method is characterized by using finely-grained, sparse, single-pixel annotations collected from the field, combined with large amounts of unannotated data to produce segmentation maps. Supervised, unsupervised and semi-supervised methods are compared, and the benefits of transfer learning from a larger out-of-domain dataset are demonstrated. We propose a \ac{CNN} biased towards center pixel classification ensembled with a random forest classifier, that produces higher quality classifications than the models themselves alone. We show that cropping augmentations, test-time augmentation and semi-supervised learning can help classification even further.
• Abstract（参考訳）: リモートセンシングは、特にリモートセンシングされたデータを自動分析できる場合に、フィールドサーベイよりも大規模なモニタリングを容易にすることで、生息地保全に寄与する。 モニタリングの重要な側面は、監視領域に存在する生息地の分類とマッピングである。 クラスは細かな違いがあり、その分布は長くてバランスが取れないため、自動分類は難しい作業である。 通常、自動土地被覆分類に使用される訓練データは、リモートセンシング画像からかなり高いレベルの分類、すなわち森林、農地、都市部などの分類に注釈付けされた完全に注釈付きセグメンテーションマップに依存している。 自動生息地分類の課題は、信頼できるデータアノテーションがフィールドサーベイを必要とすることである。 したがって、完全なセグメンテーションマップの作成にはコストがかかり、トレーニングデータは、足でアクセス可能な領域に制限されることが多い。 これらの限られたデータをより効率的に利用するための方法が必要となる。 そこで,本研究では,北フィンランドのラップランド地域全体をnatura2000クラスに分類するために,生息地分類とマッピングの手法を提案する。 フィールドから収集した細粒度でスパースな単一ピクセルアノテーションと、大量の無注釈データを組み合わせてセグメンテーションマップを生成することを特徴とする。 教師なし、半教師なしの手法を比較し、より大きなドメイン外のデータセットからの転送学習の利点を示す。 本稿では,無作為な森林分類器が組み合わさった中心画素分類に偏りを持つ‘ac{CNN}を提案し,モデル自体よりも高品質な分類を行う。 クロッピング増補,テスト時間増補,半教師付き学習がさらに分類に有用であることを示す。

関連論文リスト

• Classification Tree-based Active Learning: A Wrapper Approach [4.706932040794696]
  本稿では,木構造にサンプリングプロセスを整理し,分類のためのラッパー能動的学習法を提案する。 ラベル付き標本の初期集合上に構築された分類木は、空間を低エントロピー領域に分解すると考えられる。 この適応は、既存のアクティブラーニング手法よりも大幅に向上することが証明されている。
  論文  参考訳（メタデータ） (2024-04-15T17:27:00Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• 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)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Two Shifts for Crop Mapping: Leveraging Aggregate Crop Statistics to Improve Satellite-based Maps in New Regions [11.371275175634413]
  多くの地域では、教師付き分類モデルの訓練のために、フィールドレベルの作物ラベルが不足しているため、衛星データを用いた作物型マッピングが依然として制限されている。 そこで本研究では,作物型組成の変化を考慮し,集約レベルの作物統計を用いて分類器を補正する手法を提案する。 本手法は,フランス・オクシタニーおよびケニア西部の作物タイプをLDA(Linear Discriminant Analysis)を用いて地図化することにより,分類精度を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2021-09-02T23:33:03Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
  本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。 社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-16T19:35:43Z)
• Domain-Adversarial Training of Self-Attention Based Networks for Land Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery [0.0]
  ほとんどの実用的なアプリケーションはラベル付きデータには依存せず、この分野では調査は時間のかかるソリューションである。 本稿では,異なる地理的領域間のドメイン不一致を橋渡しする深層ニューラルネットワークの対比訓練について検討する。
  論文  参考訳（メタデータ） (2021-04-01T15:45:17Z)
• An Efficient Method for the Classification of Croplands in Scarce-Label Regions [0.0]
  衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。 ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。 自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
  論文  参考訳（メタデータ） (2021-03-17T12:10:11Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。