論文の概要: FedUKD: Federated UNet Model with Knowledge Distillation for Land Use Classification from Satellite and Street Views

• arxiv url: http://arxiv.org/abs/2212.02196v1
• Date: Mon, 5 Dec 2022 12:14:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 16:23:24.224360
• Title: FedUKD: Federated UNet Model with Knowledge Distillation for Land Use Classification from Satellite and Street Views
• Title（参考訳）: FedUKD:衛星とストリートビューからの土地利用分類のための知識蒸留による連合UNetモデル
• Authors: Renuga Kanagavelu, Kinshuk Dua, Pratik Garai, Susan Elias, Neha Thomas, Simon Elias, Qingsong Wei, Goh Siow Mong Rick, Liu Yong
• Abstract要約: 衛星画像とストリートビュー画像のセマンティックにフェデレートUNetモデルを用いる。 精度は95%以上で,それぞれ17回以上,62回以上のストリートビューと衛星画像に有意なモデル圧縮を実現した。 提案フレームワークは,地球上の気候変動のリアルタイム追跡において,ゲームチェンジャーとなる可能性を持っている。
• 参考スコア（独自算出の注目度）: 1.7847474813778919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Deep Learning frameworks can be used strategically to monitor Land Use locally and infer environmental impacts globally. Distributed data from across the world would be needed to build a global model for Land Use classification. The need for a Federated approach in this application domain would be to avoid transfer of data from distributed locations and save network bandwidth to reduce communication cost. We use a Federated UNet model for Semantic Segmentation of satellite and street view images. The novelty of the proposed architecture is the integration of Knowledge Distillation to reduce communication cost and response time. The accuracy obtained was above 95% and we also brought in a significant model compression to over 17 times and 62 times for street View and satellite images respectively. Our proposed framework has the potential to be a game-changer in real-time tracking of climate change across the planet.
• Abstract（参考訳）: フェデレートされたディープラーニングフレームワークは、ローカルな土地利用を監視し、世界中の環境影響を推測するために戦略的に使用できる。 土地利用分類のグローバルモデルを構築するには、世界中の分散データが必要である。 このアプリケーションドメインにおける連合アプローチの必要性は、分散ロケーションからのデータ転送を避け、通信コストを削減するためにネットワーク帯域を節約することです。 衛星画像とストリートビュー画像のセマンティックセグメンテーションにフェデレートUNetモデルを用いる。 提案するアーキテクチャの目新しさは,コミュニケーションコストと応答時間を削減するための知識蒸留の統合である。 得られた精度は95%以上であり,ストリートビューと衛星画像では,それぞれ17回以上,62回以上,有意なモデル圧縮を実現した。 提案フレームワークは,地球上の気候変動のリアルタイム追跡において,ゲームチェンジャーとなる可能性を持っている。

関連論文リスト

• Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
  smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。 エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。 その結果,本手法は現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-21T03:31:30Z)
• Cross Pseudo Supervision Framework for Sparsely Labelled Geospatial Images [0.0]
  土地利用土地被覆(LULC)マッピングは、都市と資源計画にとって重要なツールである。 本研究では,高解像度衛星画像を用いたLULC予測のための半教師付きセグメンテーションモデルを提案する。 粗いラベル付きデータに基づいて画像分割モデルをトレーニングするクロス擬似スーパービジョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-05T11:14:23Z)
• Free Lunch for Federated Remote Sensing Target Fine-Grained Classification: A Parameter-Efficient Framework [23.933367972846312]
  本稿では、PRFLと呼ばれるフェデレートラーニングに基づく新しいプライバシー保護TFGCフレームワークを提案する。 4つの公開データセットを活用することにより,従来のTFGCタスクにおけるPRFLの有効性を示す。
  論文  参考訳（メタデータ） (2024-01-03T01:45:00Z)
• Tunable Soft Prompts are Messengers in Federated Learning [55.924749085481544]
  フェデレートラーニング(FL)は、複数の参加者が分散データソースを使用して機械学習モデルを協調的にトレーニングすることを可能にする。 FLにおけるモデルプライバシ保護の欠如は無視できない課題となっている。 そこで本研究では,ソフトプロンプトによって参加者間の情報交換を実現する新しいFLトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T11:01:10Z)
• Uncertainty-aware Vision-based Metric Cross-view Geolocalization [25.87104194833264]
  地上画像と空中画像を用いて車両のポーズの確率分布を予測するエンド・ツー・エンドの微分モデルを提案する。 テストエリアからの地上データや空中データなしでも、最先端の技術を大きなマージンで改善する。
  論文  参考訳（メタデータ） (2022-11-22T10:23:20Z)
• 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)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• 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)
• FedSpace: An Efficient Federated Learning Framework at Satellites and Ground Stations [10.250105527148731]
  低軌道(LEO)衛星の大規模な展開は、大量の地球画像やセンサーデータを収集する。 ダウンリンク帯域の制限、疎結合性、画像解像度の正規化制約のため、高解像度画像をダウンロードし、これらの機械学習モデルを地上で訓練することは不可能であることが多い。 本稿では,地上局と衛星が収集した画像を衛星上で共有することなく,グローバルMLモデルを協調訓練するフェデレートラーニング(FL)を提案する。
  論文  参考訳（メタデータ） (2022-02-02T20:09:27Z)
• 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)

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。