論文の概要: MapInWild: A Remote Sensing Dataset to Address the Question What Makes Nature Wild

• arxiv url: http://arxiv.org/abs/2212.02265v1
• Date: Mon, 5 Dec 2022 13:45:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 15:09:27.346072
• Title: MapInWild: A Remote Sensing Dataset to Address the Question What Makes Nature Wild
• Title（参考訳）: MapInWild:自然を野生にする質問に答えるリモートセンシングデータセット
• Authors: Burak Ekim, Timo T. Stomberg, Ribana Roscher, Michael Schmitt
• Abstract要約: 衛星画像に適用した機械学習による荒野マッピングの課題について紹介する。 MapInWildは、そのタスクのための大規模なベンチマークキュレートされたデータセットです。 データセットは、1920 x 1920ピクセルの8144画像で構成され、約350GBである。
• 参考スコア（独自算出の注目度）: 4.42251021399814
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Antrophonegic pressure (i.e. human influence) on the environment is one of the largest causes of the loss of biological diversity. Wilderness areas, in contrast, are home to undisturbed ecological processes. However, there is no biophysical definition of the term wilderness. Instead, wilderness is more of a philosophical or cultural concept and thus cannot be easily delineated or categorized in a technical manner. With this paper, (i) we introduce the task of wilderness mapping by means of machine learning applied to satellite imagery (ii) and publish MapInWild, a large-scale benchmark dataset curated for that task. MapInWild is a multi-modal dataset and comprises various geodata acquired and formed from a diverse set of Earth observation sensors. The dataset consists of 8144 images with a shape of 1920 x 1920 pixels and is approximately 350 GB in size. The images are weakly annotated with three classes derived from the World Database of Protected Areas - Strict Nature Reserves, Wilderness Areas, and National Parks. With the dataset, which shall serve as a testbed for developments in fields such as explainable machine learning and environmental remote sensing, we hope to contribute to a deepening of our understanding of the question "What makes nature wild?".
• Abstract（参考訳）: 環境に対する音韻的圧力(すなわち人間の影響)は、生物多様性の喪失の最大の原因の1つである。 対照的に、荒野地域は乱れのない生態系の過程がある。 しかし、野生という用語の生物学的定義は存在しない。 その代わり、荒野はむしろ哲学的あるいは文化的概念であり、容易に定義したり、技術的に分類することは不可能である。 この論文で。 (i)衛星画像に適用した機械学習による荒野マッピングの課題について紹介する。 (ii)MapInWildは、そのタスクのためにキュレートされた大規模なベンチマークデータセットである。 MapInWildはマルチモーダルデータセットであり、様々な地球観測センサーから取得され、形成されている。 データセットは、1920 x 1920ピクセルの形状で約350gbの8144枚の画像で構成されている。 この画像は、世界自然保護区(Strict Nature Reserves)、荒野地域(Wilderness Areas)、国立公園(National Parks)の3つのクラスで、弱い注釈が付けられている。 このデータセットは、説明可能な機械学習や環境リモートセンシングといった分野の発展のためのテストベッドとして機能する。

関連論文リスト

• 360 in the Wild: Dataset for Depth Prediction and View Synthesis [66.58513725342125]
  大規模な360$circ$ビデオデータセットを野放しに導入する。 このデータセットはインターネットから慎重に取り除かれ、世界中で様々な場所から収集されている。 データセットを構成する25K画像のそれぞれに、それぞれのカメラのポーズと深さマップが提供される。
  論文  参考訳（メタデータ） (2024-06-27T05:26:38Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• MultiEarth 2023 -- Multimodal Learning for Earth and Environment Workshop and Challenge [17.549467886161857]
  MultiEarth 2023は、地球生態系の健康のモニタリングと分析を目的とした第2回CVPRワークショップである。 本稿では,課題ガイドライン,データセット,評価指標について述べる。
  論文  参考訳（メタデータ） (2023-06-07T19:20:01Z)
• 3D Clothed Human Reconstruction in the Wild [67.35107130310257]
  ClothWildは、Wild内の画像のロバスト性に対処する、3Dの服を着た人間の再構築フレームワークである。 そこで本研究では,Wild データセットの2次元教師対象でトレーニング可能な弱教師付きパイプラインを提案する。 提案したClosWildは最先端の手法よりもはるかに正確で堅牢な結果が得られる。
  論文  参考訳（メタデータ） (2022-07-20T17:33:19Z)
• Exploring Wilderness Using Explainable Machine Learning in Satellite Imagery [2.823072545762534]
  荒野は重要な生態学的、社会的利益をもたらし、監視と保護を保証している。 本稿では、マルチスペクトル衛星画像を用いて、荒野の曖昧な概念の特徴と外観について考察する。 本研究では, Fennoscandia の野生・人為的領域の解明に有効な,新しい説明可能な機械学習手法をキュレートデータセットに適用する。
  論文  参考訳（メタデータ） (2022-03-01T11:51:49Z)
• Florida Wildlife Camera Trap Dataset [48.99466876948454]
  フロリダ州南西部の2つの異なる場所から収集された野生生物カメラトラップ分類データセットについて紹介する。 データセットは104,495枚の画像からなり、視覚的に類似した種、様々な照明条件、スキュードクラス分布、絶滅危惧種のサンプルを含む。
  論文  参考訳（メタデータ） (2021-06-23T18:53:15Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• I-Nema: A Biological Image Dataset for Nematode Recognition [3.1918817988202606]
  線虫は地球上で最も豊富な中生代グループの一つであり、多様な生態的ニッチを占有している。 ネマトドの正確な認識または識別は、害虫駆除、土壌生態学、生物地理学、生息地の保全、気候変動に対する大きな重要性を有する。 コンピュータビジョンと画像処理は、線虫の種認識にいくつかの成功をおさめたが、依然として大きな需要がある。
  論文  参考訳（メタデータ） (2021-03-15T12:29:37Z)
• Learning Depth With Very Sparse Supervision [57.911425589947314]
  本稿では, 環境との相互作用を通じて, 知覚が世界の3次元特性と結合するという考えを考察する。 我々は、環境と対話するロボットが利用できるような、特殊なグローバルローカルネットワークアーキテクチャを訓練する。 いくつかのデータセットの実験では、画像ピクセルの1つでも基底真理が利用できる場合、提案されたネットワークは、最先端のアプローチよりも22.5%の精度でモノクロの深度推定を学習できることを示している。
  論文  参考訳（メタデータ） (2020-03-02T10:44:13Z)

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。