論文の概要: Scene-to-Patch Earth Observation: Multiple Instance Learning for Land Cover Classification

• arxiv url: http://arxiv.org/abs/2211.08247v1
• Date: Tue, 15 Nov 2022 15:58:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 13:50:30.729514
• Title: Scene-to-Patch Earth Observation: Multiple Instance Learning for Land Cover Classification
• Title（参考訳）: Scene-to-Patch Earth Observation: 土地被覆分類のための複数事例学習
• Authors: Joseph Early, Ying-Jung Deweese, Christine Evers, Sarvapali Ramchurn
• Abstract要約: 土地被覆分類 (LCC) は気候変動の緩和と適応において重要なプロセスである。 LCCのための地球観測データと機械学習を使用する既存のアプローチは、完全に注釈付きおよびセグメント化されたデータセットに依存している。 我々は,高レベルなシーンラベルのみを必要とするマルチインスタンス学習(MIL)を利用したLCCアプローチであるScene-to-Patchモデルを提案する。
• 参考スコア（独自算出の注目度）: 6.595290783361959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Land cover classification (LCC), and monitoring how land use changes over time, is an important process in climate change mitigation and adaptation. Existing approaches that use machine learning with Earth observation data for LCC rely on fully-annotated and segmented datasets. Creating these datasets requires a large amount of effort, and a lack of suitable datasets has become an obstacle in scaling the use of LCC. In this study, we propose Scene-to-Patch models: an alternative LCC approach utilising Multiple Instance Learning (MIL) that requires only high-level scene labels. This enables much faster development of new datasets whilst still providing segmentation through patch-level predictions, ultimately increasing the accessibility of using LCC for different scenarios. On the DeepGlobe-LCC dataset, our approach outperforms non-MIL baselines on both scene- and patch-level prediction. This work provides the foundation for expanding the use of LCC in climate change mitigation methods for technology, government, and academia.
• Abstract（参考訳）: 土地被覆分類(Land Cover Classification、LCC)は、気候変動の緩和と適応において重要なプロセスである。 LCCのための地球観測データと機械学習を使用する既存のアプローチは、完全に注釈付きおよびセグメント化されたデータセットに依存している。 これらのデータセットの作成には多大な労力が必要であり、適切なデータセットの欠如がLCCの使用拡大の障害となっている。 本研究では,高レベルなシーンラベルのみを必要とする複数インスタンス学習(mil)を利用したlccアプローチを提案する。 これにより、パッチレベルの予測を通じてセグメンテーションを提供しながら、新たなデータセットの開発がより高速になり、最終的に異なるシナリオでLCCを使用することのアクセシビリティが向上する。 DeepGlobe-LCCデータセットでは、シーンレベルの予測とパッチレベルの予測の両方において、MIL以外のベースラインよりも優れている。 この研究は、技術、政府、学界の気候変動緩和手法におけるLCCの利用を拡大するための基盤を提供する。

関連論文リスト

• Latent Distillation for Continual Object Detection at the Edge [7.775533837586895]
  本研究では,物体検出のための連続学習(CLOD)シナリオにおいて,エッジデバイスのメモリと制約に対処する。 具体的には,エッジデバイス上でのCLODのためのオープンソース,軽量,高速な検出器であるNanoDetの適合性について検討する。 本稿では,最先端のCLアプローチで要求される操作数とメモリ量を削減できるLatent Distillation(LD)という新しいCL手法を提案する。
  論文  参考訳（メタデータ） (2024-09-03T13:14:13Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Reuse out-of-year data to enhance land cover mappingvia feature disentanglement and contrastive learning [5.936030178022172]
  土地利用/土地被覆(LULC)地図は、農業領域の管理、環境モニタリング、持続可能な意思決定を支援する上で重要な役割を果たしている。 新しい基底真理データを収集する必要があるため、以前に収集された参照データを完全に無視する。 本稿では,2つの異なる領域からのリモートセンシングと参照データを組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-17T07:00:20Z)
• Cross-Level Distillation and Feature Denoising for Cross-Domain Few-Shot Classification [49.36348058247138]
  トレーニング段階において,対象領域内のラベルなし画像のごく一部をアクセス可能にすることで,ドメイン間数ショット分類の問題に対処する。 我々は,対象データセットのより識別的な特徴を抽出するモデルの能力を高めるため,クロスレベルな知識蒸留法を慎重に設計する。 提案手法は,従来の動的蒸留法を5.44%,1.37%,5ショット分類法を1.37%超えることができる。
  論文  参考訳（メタデータ） (2023-11-04T12:28:04Z)
• Background Activation Suppression for Weakly Supervised Object Localization and Semantic Segmentation [84.62067728093358]
  弱教師付きオブジェクトローカライゼーションとセマンティックセグメンテーションは、画像レベルのラベルのみを使用してオブジェクトをローカライズすることを目的としている。 画素レベルのローカライゼーションを実現するために,フォアグラウンド予測マップを生成することで,新たなパラダイムが誕生した。 本稿では,物体の局在化学習過程に関する2つの驚くべき実験結果を示す。
  論文  参考訳（メタデータ） (2023-09-22T15:44:10Z)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• On the semantics of big Earth observation data for land classification [0.0]
  ビッグデータを扱うとき、音理論について論じる。 本稿では,衛星画像時系列をイベントの事例として分析するために使用されている概念について述べる。
  論文  参考訳（メタデータ） (2022-04-23T14:45:53Z)
• 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)
• Incremental Object Detection via Meta-Learning [77.55310507917012]
  本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。 既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
  論文  参考訳（メタデータ） (2020-03-17T13:40:00Z)

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。