論文の概要: Exploration of Convolutional Neural Network Architectures for Large Region Map Automation

• arxiv url: http://arxiv.org/abs/2211.03854v1
• Date: Mon, 7 Nov 2022 20:43:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 15:36:03.182612
• Title: Exploration of Convolutional Neural Network Architectures for Large Region Map Automation
• Title（参考訳）: 大規模地図自動化のための畳み込みニューラルネットワークアーキテクチャの探索
• Authors: R. M. Tsenov, C. J. Henry, J. L. Storie, C. D. Storie, B. Murray, M. Sokolov
• Abstract要約: LULCマップの精度を向上させるため,28種類のモデルバリエーションについて検討した。 ランドサット5/7またはランドサット8の衛星画像を用いて、北米のランドチェンジ監視システム (Landsat Monitoring System) ラベルを用いて実験を行った。 ディープニューラルネットワークを用いて、この研究はマニトバ南部の13のLULCクラスに対して92.4%の精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning semantic segmentation algorithms have provided improved frameworks for the automated production of Land-Use and Land-Cover (LULC) maps, which significantly increases the frequency of map generation as well as consistency of production quality. In this research, a total of 28 different model variations were examined to improve the accuracy of LULC maps. The experiments were carried out using Landsat 5/7 or Landsat 8 satellite images with the North American Land Change Monitoring System labels. The performance of various CNNs and extension combinations were assessed, where VGGNet with an output stride of 4, and modified U-Net architecture provided the best results. Additional expanded analysis of the generated LULC maps was also provided. Using a deep neural network, this work achieved 92.4% accuracy for 13 LULC classes within southern Manitoba representing a 15.8% improvement over published results for the NALCMS. Based on the large regions of interest, higher radiometric resolution of Landsat 8 data resulted in better overall accuracies (88.04%) compare to Landsat 5/7 (80.66%) for 16 LULC classes. This represents an 11.44% and 4.06% increase in overall accuracy compared to previously published NALCMS results, including larger land area and higher number of LULC classes incorporated into the models compared to other published LULC map automation methods.
• Abstract（参考訳）: 深層学習セマンティックセグメンテーションアルゴリズムは、Land-UseとLand-Cover(LULC)マップの自動生産のための改良されたフレームワークを提供する。 本研究では,lulcマップの精度を向上させるため,28種類のモデルのバリエーションについて検討した。 実験は、ランドサット5/7またはランドサット8の衛星画像を北米のランドチェンジ監視システムラベルを用いて行った。 様々なCNNと拡張組み合わせの性能を評価し、VGGNetと出力ストライドが4で、修正されたU-Netアーキテクチャが最良の結果となった。 生成したLULCマップのさらなる拡張分析も提供された。 ディープニューラルネットワークを用いて、この研究はマニトバ南部の13のLULCクラスに対して92.4%の精度を達成し、NALCMSの結果よりも15.8%改善した。 利害関係が大きい地域では、ランドサット8号の放射能分解能が高く、16のllcクラスでランドサット5/7 (80.66%) と比較すると、全体的な精度(88.04%)が向上した。 これは、これまで公表されたNALCMS結果と比較して11.44%と4.06%の精度向上を示しており、また、他のLULCマップ自動化手法と比較して、より大きな土地面積とLULCクラスがモデルに組み込まれている。

関連論文リスト

• Classification of Geographical Land Structure Using Convolution Neural Network and Transfer Learning [1.024113475677323]
  本研究は, 都市計画・開発, 環境モニタリング, 災害管理など, 一連の応用を創出することができる。 本稿では、地理的な土地構造を分類するプロセスを自動化するための深層学習に基づくアプローチを開発した。
  論文  参考訳（メタデータ） (2024-11-19T11:01:30Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Pre-processing training data improves accuracy and generalisability of convolutional neural network based landscape semantic segmentation [2.8747398859585376]
  オーストラリア,クイーンズランド州ウェット・トロピクスとアザートン・テーブルランズ上空の航空写真における土地利用土地被覆(LULC)の特徴のセマンティックセグメンテーションとCNN訓練のための様々なデータ準備方法を試行した。 これは、さまざまなトレーニングパッチ選択サンプリング戦略、パッチとバッチサイズ、データ拡張とスケーリングの試行とランキングによって実施された。 我々は、2018年のトレーニング画像上で5つのモデルを訓練し、2015年の試験画像に適用し、出力LULC分類により平均ユーザ精度0.84、生産精度0.87を達成した。
  論文  参考訳（メタデータ） (2023-04-28T04:38:45Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• Rethinking gradient weights' influence over saliency map estimation [0.0]
  クラスアクティベーションマップ(CAM)は、ディープニューラルネットワークの予測を解釈するのに役立つサリエンシマップの定式化を支援する。 本稿では,サリエンシ推定時の重み付けアグリゲーション操作を補正するためのグローバルガイダンスマップを提案する。 提案手法は,ImageNet, MS-COCO 14, PASCAL VOC 2012データセットから得られたテスト画像よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-07-12T08:14:57Z)
• Improving Visual Grounding by Encouraging Consistent Gradient-based Explanations [58.442103936918805]
  注意マスク整合性は,従来の方法よりも優れた視覚的グラウンドリング結果が得られることを示す。 AMCは効率的で実装が容易であり、どんな視覚言語モデルでも採用できるため一般的である。
  論文  参考訳（メタデータ） (2022-06-30T17:55:12Z)
• Semantic Segmentation by Early Region Proxy [53.594035639400616]
  本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。 領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。 現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
  論文  参考訳（メタデータ） (2022-03-26T10:48:32Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Deep Transfer Learning for Land Use Land Cover Classification: A Comparative Study [0.0]
  本研究では,CNNをスクラッチからトレーニングする代わりに,事前学習ネットワークを微調整するトランスファーラーニングを利用する。 提案したアプローチにより、限られたデータ問題に対処することができ、非常に高い精度を実現しました。
  論文  参考訳（メタデータ） (2021-10-06T08:46:57Z)
• A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
  本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-19T14:43:07Z)
• Landslide Segmentation with U-Net: Evaluating Different Sampling Methods and Patch Sizes [0.0]
  この研究は、ブラジルのノヴァ・フリブルゴ市の地すべりを自動的に分割するために、U-netという名前の完全な畳み込み深層学習モデルを使用した。 目的は、パッチサイズ、サンプリング方法、データセットがモデル全体の精度に与える影響を評価することである。
  論文  参考訳（メタデータ） (2020-07-13T20:28:46Z)

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。