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
- Data-Centric Machine Learning for Geospatial Remote Sensing Data [14.875006009324721]
本研究では地理空間データに対する自動データ中心学習手法の定義と正確な分類について述べる。
我々は、補完的なデータ中心の視点に焦点を移すことが、エンドユーザーアプリケーションにおける精度、一般化能力、および真の影響のさらなる改善を達成するために必要であると主張している。
論文 参考訳(メタデータ) (2023-12-08T19:24:05Z) - 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) - infoVerse: A Universal Framework for Dataset Characterization with
Multidimensional Meta-information [68.76707843019886]
infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。
infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。
実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
論文 参考訳(メタデータ) (2023-05-30T18:12:48Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳(メタデータ) (2023-04-27T20:21:18Z) - 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) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳(メタデータ) (2022-04-24T15:23:25Z) - 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 [70.64030011999981]
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) - 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) - WeatherBench: A benchmark dataset for data-driven weather forecasting [17.76377510880905]
データ駆動型中距離天気予報のためのベンチマークデータセットを提案する。
機械学習モデルでの使用を容易にするために処理されたERA5アーカイブから得られたデータを提供する。
単純な線形回帰手法、ディープラーニングモデル、および純粋に物理的な予測モデルからベースラインスコアを提供する。
論文 参考訳(メタデータ) (2020-02-02T19:20:46Z)
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。