論文の概要: SatlasPretrain: A Large-Scale Dataset for Remote Sensing Image Understanding

• arxiv url: http://arxiv.org/abs/2211.15660v3
• Date: Mon, 21 Aug 2023 15:09:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 02:15:42.176140
• Title: SatlasPretrain: A Large-Scale Dataset for Remote Sensing Image Understanding
• Title（参考訳）: SatlasPretrain: リモートセンシング画像理解のための大規模データセット
• Authors: Favyen Bastani and Piper Wolters and Ritwik Gupta and Joe Ferdinando and Aniruddha Kembhavi
• Abstract要約: 広さと規模の両方で大きなリモートセンシングデータセットであるSatlasPretrainを提示する。 そこで我々は,サトラスプレトレインの8つのベースラインと提案手法を評価し,改良の余地を見出した。
• 参考スコア（独自算出の注目度）: 24.36102266621857
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing images are useful for a wide variety of planet monitoring applications, from tracking deforestation to tackling illegal fishing. The Earth is extremely diverse -- the amount of potential tasks in remote sensing images is massive, and the sizes of features range from several kilometers to just tens of centimeters. However, creating generalizable computer vision methods is a challenge in part due to the lack of a large-scale dataset that captures these diverse features for many tasks. In this paper, we present SatlasPretrain, a remote sensing dataset that is large in both breadth and scale, combining Sentinel-2 and NAIP images with 302M labels under 137 categories and seven label types. We evaluate eight baselines and a proposed method on SatlasPretrain, and find that there is substantial room for improvement in addressing research challenges specific to remote sensing, including processing image time series that consist of images from very different types of sensors, and taking advantage of long-range spatial context. Moreover, we find that pre-training on SatlasPretrain substantially improves performance on downstream tasks, increasing average accuracy by 18% over ImageNet and 6% over the next best baseline. The dataset, pre-trained model weights, and code are available at https://satlas-pretrain.allen.ai/.
• Abstract（参考訳）: リモートセンシング画像は、森林破壊の追跡から違法漁業への対処まで、幅広い惑星監視用途に有用である。 地球は極めて多様で、リモートセンシング画像における潜在的タスクの量は膨大であり、特徴の大きさは数kmから数十cm程度である。 しかしながら、汎用的なコンピュータビジョン手法を作成することは、多くのタスクのためにこれらの多様な特徴をキャプチャする大規模なデータセットが欠如していることによる課題である。 本稿では,SatlasPretrainを提案する。SatlasPretrainは,Sentinel-2とNAIP画像と,137カテゴリの302Mラベルと7種類のラベルを併用した,広帯域・広帯域のリモートセンシングデータセットである。 そこで我々は,SatlasPretrainの8つのベースラインと提案手法を評価し,センサの異なる画像からなる画像時系列処理や,長距離空間のコンテキストの活用など,リモートセンシング特有の研究課題に対処する上で,かなりの改善の余地があることを見出した。 さらに,satlaspretrainでの事前トレーニングにより,下流タスクのパフォーマンスが大幅に向上し,imagenetでは平均精度が18%向上し,次回のベストベースラインでは6%向上した。 データセット、事前トレーニングされたモデルウェイト、コードはhttps://satlas-pretrain.allen.ai/で入手できる。

関連論文リスト

• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• Large-scale Weakly Supervised Learning for Road Extraction from Satellite Imagery [9.28701721082481]
  本稿では,OpenStreetMapの道路データを弱いラベルや大規模衛星画像として活用して,事前学習セマンティックセグメンテーションモデルを提案する。 私たちのモデルは、広く使われているDeepGlobeロードデータセットの最大100倍のデータを使用し、現在のDeepGlobeリーダーボードのトップパフォーマーを超えています。
  論文  参考訳（メタデータ） (2023-09-14T16:16:57Z)
• Revisiting pre-trained remote sensing model benchmarks: resizing and normalization matters [3.797359376885946]
  事前トレーニングで使用する前処理ステップに従うだけで、大幅なパフォーマンス向上が達成できることを示す。 ImageNetの事前学習は、衛星画像に基づくトランスファー学習タスクの競争ベースラインであり続けていることを示す。
  論文  参考訳（メタデータ） (2023-05-22T19:57:13Z)
• Supervised and Contrastive Self-Supervised In-Domain Representation Learning for Dense Prediction Problems in Remote Sensing [0.0]
  本稿では、リモートセンシングと画像Netデータセットの領域差を解決するために、教師付きおよび自己教師型両方のドメイン表現の有効性について検討する。 自己教師付き事前学習では,SimSiamアルゴリズムは単純であり,膨大な計算資源を必要としない。 その結果,自己教師付き表現学習に空間分解能の高いデータセットを用いることで,下流タスクの性能が向上することが実証された。
  論文  参考訳（メタデータ） (2023-01-29T20:56:51Z)
• An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
  本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。 RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。 RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2022-04-06T13:38:11Z)
• Improving Fractal Pre-training [0.76146285961466]
  動的に生成されたフラクタル画像に基づく事前学習データセットを提案する。 実験により, フラクタルを用いたネットワークの微調整は, ImageNet事前訓練ネットワークの精度の92.7-98.1%に達することが示された。
  論文  参考訳（メタデータ） (2021-10-06T22:39:51Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)
• Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote Sensing Data [64.40187171234838]
  季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。 SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
  論文  参考訳（メタデータ） (2021-03-30T18:26:39Z)
• Counting from Sky: A Large-scale Dataset for Remote Sensing Object Counting and A Benchmark Method [52.182698295053264]
  リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。 これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。 次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-08-28T03:47:49Z)
• Counting dense objects in remote sensing images [52.182698295053264]
  特定の画像から関心のあるオブジェクトの数を推定するのは、難しいが重要な作業である。 本稿では,リモートセンシング画像から高密度物体を数えることに興味がある。 これらの課題に対処するために,我々はまず,リモートセンシング画像に基づく大規模オブジェクトカウントデータセットを構築した。 次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-02-14T09:13:54Z)

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。