論文の概要: EarthNets: Empowering AI in Earth Observation
- arxiv url: http://arxiv.org/abs/2210.04936v1
- Date: Mon, 10 Oct 2022 18:09:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 16:04:43.428059
- Title: EarthNets: Empowering AI in Earth Observation
- Title（参考訳）: EarthNets:地球観測におけるAIの活用
- Authors: Zhitong Xiong, Fahong Zhang, Yi Wang, Yilei Shi, Xiao Xiang Zhu
- Abstract要約: 我々は,400以上の公開データセットを総合的にレビューし,土地利用・調査,変化・災害モニタリング,景観理解,農業,気候変動,気象予報などの応用について紹介する。
モデル評価のための新しいベンチマークを構築するために,データセットを計測,ランク付け,選択することを提案する。
地球観測のための新しいプラットフォームであるEarthNetsは、リモートセンシングデータ上での深層学習手法の公平かつ一貫した評価に向けてリリースされた。
- 参考スコア（独自算出の注目度）: 24.127243729734765
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earth observation, aiming at monitoring the state of planet Earth using
remote sensing data, is critical for improving our daily lives and living
environment. With an increasing number of satellites in orbit, more and more
datasets with diverse sensors and research domains are published to facilitate
the research of the remote sensing community. In this paper, for the first
time, we present a comprehensive review of more than 400 publicly published
datasets, including applications like, land use/cover, change/disaster
monitoring, scene understanding, agriculture, climate change and weather
forecasting. We systemically analyze these Earth observation datasets from five
aspects, including the volume, bibliometric analysis, research domains and the
correlation between datasets. Based on the dataset attributes, we propose to
measure, rank and select datasets to build a new benchmark for model
evaluation. Furthermore, a new platform for Earth observation, termed
EarthNets, is released towards a fair and consistent evaluation of deep
learning methods on remote sensing data. EarthNets supports standard dataset
libraries and cutting-edge deep learning models to bridge the gap between
remote sensing and the machine learning community. Based on the EarthNets
platform, extensive deep learning methods are evaluated on the new benchmark.
The insightful results are beneficial to future research. The platform, dataset
collections are publicly available at https://earthnets.nicepage.io.
- Abstract（参考訳）: 地球観測は、リモートセンシングデータを用いて地球の状態を監視することを目的としており、我々の日常生活や生活環境を改善するために重要である。
軌道上の衛星の数が増えるにつれて、リモートセンシングコミュニティの研究を促進するために、多様なセンサーと研究領域を持つデータセットがますます増えている。
本稿では,400以上の公開データセットについて,まず,土地利用/被覆,変化/不況モニタリング,環境理解,農業,気候変動,気象予報など,総合的なレビューを行う。
我々は,これらの地球観測データセットを,体積,書誌分析,研究領域,データセット間の相関の5つの側面から体系的に分析する。
データセット属性に基づいて,データセットの測定,ランク付け,選択を行い,モデル評価のための新しいベンチマークを構築することを提案する。
さらに,地球観測のための新しいプラットフォームであるEarthNetsが,リモートセンシングデータ上での深層学習手法の公平かつ一貫した評価に向けてリリースされた。
EarthNetsは標準のデータセットライブラリと最先端のディープラーニングモデルをサポートし、リモートセンシングと機械学習コミュニティのギャップを埋める。
earthnetsプラットフォームに基づいて、新しいベンチマークで広範なディープラーニング手法が評価される。
洞察力のある結果は将来の研究に有益である。
プラットフォーム、データセットコレクションはhttps://earthnets.nicepage.ioで公開されている。
関連論文リスト
- trajdata: A Unified Interface to Multiple Human Trajectory Datasets [32.93180256927027]
複数の人的トラジェクトリデータセットに対する統一インターフェースであるtrajdataを提案する。
Trajdataは、トラジェクトリとマップデータのためのシンプルで均一で効率的な表現とAPIを提供する。
論文 参考訳（メタデータ） (2023-07-26T02:45:59Z) - Ben-ge: Extending BigEarthNet with Geographical and Environmental Data [1.1377027568901037]
本稿では,世界規模で利用可能な地理・環境データを自由にコンパイルすることで,BigEarthNet-MMデータセットを補完するben-geデータセットを提案する。
このデータセットに基づいて、パッチベースの土地利用/土地被覆分類と土地利用/土地被覆区分の下流タスクに異なるデータモダリティを組み合わせる価値を示す。
論文 参考訳（メタデータ） (2023-07-04T14:17:54Z) - SSL4EO-L: Datasets and Foundation Models for Landsat Imagery [8.34029977985994]
ランドサット計画 (Landsat program) は、過去最長の地球観測計画であり、8つの衛星による50年以上のデータ取得である。
深層学習やリモートセンシングの普及にもかかわらず、ほとんどの研究者はランドサットの画像解析に決定木とランダムな森林を使っている。
本稿では,ランドサット衛星群を対象としたセルフ・スーパーバイザード・ラーニング・フォー・アース・オブ・オブ・アース・オブ・ザ・観察のために設計された最初のデータセットであるSSL4EO-Lを紹介する。
論文 参考訳（メタデータ） (2023-06-15T18:11:20Z) - GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。
このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
論文 参考訳（メタデータ） (2023-06-06T16:16:05Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - EOD: The IEEE GRSS Earth Observation Database [21.824996070545616]
ディープラーニングの時代、注釈付きデータセットはリモートセンシングコミュニティにとって重要な資産となっている。
EODは、リモートセンシング画像を活用するさまざまなタイプのデータセットをカタログ化するためのインタラクティブなオンラインプラットフォームである。
論文 参考訳（メタデータ） (2022-09-26T07:44:41Z) - 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) - Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-02T07:50:50Z) - Paradigm selection for Data Fusion of SAR and Multispectral Sentinel
data applied to Land-Cover Classification [63.072664304695465]
本稿では、畳み込みニューラルネットワーク(CNN)に基づく4つのデータ融合パラダイムを分析し、実装する。
目標は、最良のデータ融合フレームワークを選択するための体系的な手順を提供することであり、その結果、最高の分類結果が得られる。
この手順は、土地被覆分類のために検証されているが、他のケースに転送することができる。
論文 参考訳（メタデータ） (2021-06-18T11:36:54Z) - Machine Learning Information Fusion in Earth Observation: A
Comprehensive Review of Methods, Applications and Data Sources [0.0]
本稿では,地球観測における問題に対する機械学習(ML)技術に基づく最も重要な情報融合アルゴリズムについて概説する。
データ駆動アプローチ、特にML技術は、このデータルージュから重要な情報を抽出する自然な選択である。
論文 参考訳（メタデータ） (2020-12-07T13:35:08Z) - Geography-Aware Self-Supervised Learning [79.4009241781968]
異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。
本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-11-19T17:29:13Z)
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。