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

• 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)
• Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep Learning: A Case Study of Nigeria [0.6827423171182154]
  私たちはグローバルな作物のデータセットと手書きのデータセットを組み合わせて、2020年にナイジェリアの新しい作物の地図を10m解像度で作成するための機械学習モデルをトレーニングしています。 本研究では,センチネル-1,2,ERA5気候データ,DEMデータなどのリモートセンシング源からの画素級時系列入力データに加えて,作物の存在を示すバイナリラベルも提供する。 We found that the existing WorldCover map are the best with a F1-score 0.825 and correct of 0.870 on the test set, then a single-headed LSTM model with our hand-labeled training。
  論文  参考訳（メタデータ） (2023-12-18T01:23:22Z)
• 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)
• Very High Resolution Land Cover Mapping of Urban Areas at Global Scale with Convolutional Neural Networks [0.0]
  本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。 データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。 最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
  論文  参考訳（メタデータ） (2020-05-12T10:03:20Z)

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。