論文の概要: OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover
Mapping
- arxiv url: http://arxiv.org/abs/2210.10732v1
- Date: Wed, 19 Oct 2022 17:20:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 13:34:23.904521
- Title: OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover
Mapping
- Title(参考訳): OpenEarthMap: 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
- Authors: Junshi Xia, Naoto Yokoya, Bruno Adriano, Clifford Broni-Bediako
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.419052489797775
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We introduce OpenEarthMap, a benchmark dataset, for global high-resolution
land cover mapping. OpenEarthMap consists of 2.2 million segments of 5000
aerial and satellite images covering 97 regions from 44 countries across 6
continents, with manually annotated 8-class land cover labels at a 0.25--0.5m
ground sampling distance. Semantic segmentation models trained on the
OpenEarthMap generalize worldwide and can be used as off-the-shelf models in a
variety of applications. We evaluate the performance of state-of-the-art
methods for unsupervised domain adaptation and present challenging problem
settings suitable for further technical development. We also investigate
lightweight models using automated neural architecture search for limited
computational resources and fast mapping. The dataset is available at
https://open-earth-map.org.
- Abstract(参考訳): 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OpenEarthMapを紹介する。
OpenEarthMapは6大陸の44か国から97の地域をカバーし、0.25-0.5mの地上検地距離で手動で8級のランドカバーラベルを付けている。
openearthmapでトレーニングされたセマンティックセグメンテーションモデルは世界中で一般化され、様々なアプリケーションでオフ・ザ・棚モデルとして使用できる。
我々は,教師なしドメイン適応のための最先端手法の性能を評価し,さらなる技術開発に適した課題設定を提案する。
また,限られた計算資源と高速なマッピングのための自動ニューラルアーキテクチャ探索を用いた軽量モデルについても検討した。
データセットはhttps://open-earth-map.orgで公開されている。
関連論文リスト
- OpenEarthMap-SAR: A Benchmark Synthetic Aperture Radar Dataset for Global High-Resolution Land Cover Mapping [16.387666608029882]
我々は,地球規模の高解像度土地被覆マッピングのためのベンチマークSARデータセットOpenEarthMap-SARを紹介する。
OpenEarthMap-SARは、5033の航空画像と衛星画像の150万部で構成され、サイズは1024$times$1024ピクセルで、日本、フランス、アメリカから35の地域をカバーしている。
セマンティックセグメンテーションのための最先端手法の性能評価と,さらなる技術開発に適した課題設定を提案する。
論文 参考訳(メタデータ) (2025-01-18T22:30:27Z) - EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳(メタデータ) (2025-01-14T13:42:22Z) - MapEval: A Map-Based Evaluation of Geo-Spatial Reasoning in Foundation Models [7.422346909538787]
地理空間的推論を用いて,多種多様かつ複雑なマップベースのユーザクエリを評価するためのベンチマークであるMapEvalを紹介する。
MapEvalは、180の都市と54の国にまたがる場所に関する700の独特な複数の質問で構成されている。
我々の詳細な分析は、現在のモデルの長所と短所に関する洞察を提供するが、すべてのモデルは、平均して20%以上の人的性能に欠ける。
このギャップは、地理的空間的理解を強くした汎用基盤モデルの推進におけるMapEvalの重要な役割を強調している。
論文 参考訳(メタデータ) (2024-12-31T07:20:32Z) - OpenSatMap: A Fine-grained High-resolution Satellite Dataset for Large-scale Map Construction [65.4151284975348]
OpenSatMapは、大規模マップ構築のための細粒度で高解像度の衛星データセットである。
データセットの公開とメンテナンスにより、衛星ベースのマップ構築と、自律運転のような下流タスクのための高品質なベンチマークを提供する。
論文 参考訳(メタデータ) (2024-10-30T17:56:02Z) - OAM-TCD: A globally diverse dataset of high-resolution tree cover maps [8.336960607169175]
OpenMap (OAM) から得られた高解像度の空中画像において, ツリークラウンデライン化(TCD)のための新しいオープンアクセスデータセットを提案する。
我々のデータセットであるOAM-TCDは、50722048x2048px画像を10cm/px解像度で、関連する280k個以上の木と56k個の木からなる。
データセットを使用して、既存の最先端モデルと比較する参照インスタンスとセマンティックセグメンテーションモデルをトレーニングする。
論文 参考訳(メタデータ) (2024-07-16T14:11:29Z) - Submeter-level Land Cover Mapping of Japan [14.9235490098836]
本報告では,日本初の8級地すべりマップについて,比較的低いアノテーションコストで紹介する。
我々は OpenEarthMap を利用した人間のループ内深層学習フレームワークを提案する。
本フレームワークは, アノテーションコストが低く, 高精度な地図作成が可能であり, 全国規模の土地被覆地図の自動更新に寄与する可能性を実証している。
論文 参考訳(メタデータ) (2023-11-19T06:34:50Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳(メタデータ) (2023-10-10T00:03:23Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳(メタデータ) (2023-09-27T20:54:56Z) - Enabling Country-Scale Land Cover Mapping with Meter-Resolution
Satellite Imagery [42.70832378336697]
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。
論文 参考訳(メタデータ) (2022-09-01T21:00:23Z) - OpenStreetMap: Challenges and Opportunities in Machine Learning and
Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。
私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文 参考訳(メタデータ) (2020-07-13T09:58:14Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳(メタデータ) (2020-06-09T12:35:55Z)
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。