論文の概要: Towards Global Crop Maps with Transfer Learning

• arxiv url: http://arxiv.org/abs/2211.04755v2
• Date: Thu, 10 Nov 2022 10:33:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 13:54:24.374846
• Title: Towards Global Crop Maps with Transfer Learning
• Title（参考訳）: トランスファーラーニングによるグローバル作物マップを目指して
• Authors: Hyun-Woo Jo, Alkiviadis Koukos, Vasileios Sitokonstantinou, Woo-Kyun Lee and Charalampos Kontoes
• Abstract要約: ディープラーニングモデルは、大量の注釈付きデータを必要とします。 本研究では,大韓民国における水稲検出のための深層学習モデルをSentinel-1 VH-1時系列を用いて開発・訓練した。 本手法は,同じ作物の異なる地域での移動において優れた性能を示し,異なる地域での移動において,より有望な結果を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The continuous increase in global population and the impact of climate change on crop production are expected to affect the food sector significantly. In this context, there is need for timely, large-scale and precise mapping of crops for evidence-based decision making. A key enabler towards this direction are new satellite missions that freely offer big remote sensing data of high spatio-temporal resolution and global coverage. During the previous decade and because of this surge of big Earth observations, deep learning methods have dominated the remote sensing and crop mapping literature. Nevertheless, deep learning models require large amounts of annotated data that are scarce and hard-to-acquire. To address this problem, transfer learning methods can be used to exploit available annotations and enable crop mapping for other regions, crop types and years of inspection. In this work, we have developed and trained a deep learning model for paddy rice detection in South Korea using Sentinel-1 VH time-series. We then fine-tune the model for i) paddy rice detection in France and Spain and ii) barley detection in the Netherlands. Additionally, we propose a modification in the pre-trained weights in order to incorporate extra input features (Sentinel-1 VV). Our approach shows excellent performance when transferring in different areas for the same crop type and rather promising results when transferring in a different area and crop type.
• Abstract（参考訳）: 世界人口の継続的な増加と気候変動が作物生産に与える影響は、食料セクターに大きな影響を及ぼすと予想されている。 この文脈では、証拠に基づく意思決定のために作物のタイムリーで大規模で正確なマッピングが必要である。 この方向に向けた重要なイネーブルは、高時空間解像度とグローバルカバレッジの巨大なリモートセンシングデータを自由に提供する新しい衛星ミッションである。 過去10年間、この大規模な地球観測の急増により、深層学習はリモートセンシングと作物マッピングの文献を支配してきた。 それにもかかわらず、ディープラーニングモデルは大量の注釈付きデータを必要とする。 この問題を解決するために、移動学習法は利用可能なアノテーションを利用して、他の地域、作物の種類、年次検査のための作物マッピングを可能にする。 本研究では,sentinel-1 vh時系列を用いた韓国における水稲検出のための深層学習モデルを開発した。 次にモデルを微調整する 一 フランス及びスペインにおける水田水稲の検出及び検出 二 オランダにおける大麦の検出 さらに,付加的な入力特徴(Sentinel-1 VV)を組み込むために,事前訓練した重量の修正を提案する。 本手法は,同じ作物の異なる地域での移動において優れた性能を示し,異なる地域での移動において,より有望な結果を示す。

関連論文リスト

• Empirical Study of PEFT techniques for Winter Wheat Segmentation [6.110856077714895]
  本研究は,SOTA小麦作モニタリングモデルを用いて,地域間および年外流通の一般化の実現可能性を探究する。 我々は,冬期小麦畑の分断に対処するためにSOTA TSViTモデルを適応させることに重点を置いている。 PEFT技術を用いて,TSViTアーキテクチャ全体の0.7%のパラメータのみをトレーニングしながら,完全な微調整手法を用いて達成した手法に匹敵する顕著な結果を得た。
  論文  参考訳（メタデータ） (2023-10-03T06:42:28Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Boosting Crop Classification by Hierarchically Fusing Satellite, Rotational, and Contextual Data [0.0]
  本研究では,複数年にわたる精度向上とロバスト性向上のためのモデルにマルチモーダル情報を融合する新しい手法を提案する。 このアプローチを評価するため、フランスとオランダで740万の農業パーセルの注釈付きデータセットを新たにリリースしました。
  論文  参考訳（メタデータ） (2023-05-19T21:42:53Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Annual field-scale maps of tall and short crops at the global scale using GEDI and Sentinel-2 [11.379287122235954]
  我々は,2019-2021年の10m分解能で世界規模で,短い作物と高い作物の壁面マップを開発した。 GEDIリターンは、極端な視角や地形傾斜のあるショットを取り除いた後に、高さと短い作物に確実に分類することができる。 GEDI-S2は、何千ものローカルリファレンストレーニングポイントで訓練されたモデルとほぼ同等の性能を発揮した。
  論文  参考訳（メタデータ） (2022-12-19T18:09:34Z)
• 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)
• Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time Series with Farmers Crop Rotations and Local Crop Distribution [0.0]
  本稿では,3つのデータ型を用いた土地利用と作物型分類課題に取り組むことを提案する。 28級(.948)の5.1ポイント、9.6ポイントのマイクロF1の10級(.887)の精度。
  論文  参考訳（メタデータ） (2022-08-23T09:41:09Z)
• 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)
• Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
  我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。 MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。 外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
  論文  参考訳（メタデータ） (2020-10-15T15:36:58Z)

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。