論文の概要: Land Use Prediction using Electro-Optical to SAR Few-Shot Transfer Learning

• arxiv url: http://arxiv.org/abs/2212.03084v1
• Date: Sun, 4 Dec 2022 22:41:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 15:39:54.370874
• Title: Land Use Prediction using Electro-Optical to SAR Few-Shot Transfer Learning
• Title（参考訳）: エレクトロ・オプティカルを用いたsarによる土地利用予測
• Authors: Marcel Hussing, Karen Li, Eric Eaton
• Abstract要約: 深層学習法は、電気光学(EO)や合成開口レーダ(SAR)画像などの異なる衛星モードの分析を容易にする。 ニューラルネットワーク埋め込みの分布アライメントは,スライスされたワッサーシュタイン距離(SWD)損失を用いて,強力な伝達学習モデルを生成することができることを示す。 数ショットのローカル気候ゾーン(LCZ)予測への応用として、これらのネットワークは、多数のクラスを持つデータセット上で、複数の共通ベースラインより優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.71560262537924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Satellite image analysis has important implications for land use, urbanization, and ecosystem monitoring. Deep learning methods can facilitate the analysis of different satellite modalities, such as electro-optical (EO) and synthetic aperture radar (SAR) imagery, by supporting knowledge transfer between the modalities to compensate for individual shortcomings. Recent progress has shown how distributional alignment of neural network embeddings can produce powerful transfer learning models by employing a sliced Wasserstein distance (SWD) loss. We analyze how this method can be applied to Sentinel-1 and -2 satellite imagery and develop several extensions toward making it effective in practice. In an application to few-shot Local Climate Zone (LCZ) prediction, we show that these networks outperform multiple common baselines on datasets with a large number of classes. Further, we provide evidence that instance normalization can significantly stabilize the training process and that explicitly shaping the embedding space using supervised contrastive learning can lead to improved performance.
• Abstract（参考訳）: 衛星画像解析は、土地利用、都市化、生態系モニタリングに重要な意味を持つ。 深層学習法は、個々の欠点を補うためのモダリティ間の知識伝達を支援することにより、電気光学(EO)や合成開口レーダ(SAR)画像などの異なる衛星モードの分析を容易にすることができる。 近年の進歩は、スライスされたワッサースタイン距離(SWD)損失を用いることで、ニューラルネットワークの埋め込みの分布アライメントが強力な伝達学習モデルを生成することを示す。 本研究では,この手法がSentinel-1,-2衛星画像にどのように適用できるかを解析し,実用化に向けてのいくつかの拡張を開発する。 数ショットのローカル気候ゾーン(LCZ)予測への応用として、これらのネットワークは、多数のクラスを持つデータセット上で、複数の共通ベースラインより優れていることを示す。 さらに,インスタンス正規化がトレーニングプロセスを著しく安定化し,教師付きコントラスト学習を用いて埋め込み空間を明示的に形作ることが,パフォーマンス向上につながることを示す。

関連論文リスト

• Electrooptical Image Synthesis from SAR Imagery Using Generative Adversarial Networks [0.0]
  本研究は,SAR画像とEO画像のギャップを埋めることでリモートセンシングの分野に寄与する。 その結果,解釈可能性が大きく向上し,EO画像に精通したアナリストがSARデータにアクセスしやすくなった。 本研究は,SAR画像とEO画像のギャップを埋めることでリモートセンシングの分野に寄与し,データ解釈を向上するための新しいツールを提供する。
  論文  参考訳（メタデータ） (2024-09-07T14:31:46Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• 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)
• Super-Resolution of BVOC Emission Maps Via Domain Adaptation [17.819699053848197]
  ディープラーニング(DL)に基づく超解法(SR)法が提案されている。 本研究は,衛星観測から得られた高分解能発光マップの超解像化を目的として,数値シミュレーションにより得られた放射マップの情報を活用することを目的とする。 本研究では, シミュレーションおよび観測されたエミッションの数を系統的に変化させることで, 異なる段階におけるドメイン適応(DA)戦略の有効性を検討する。
  論文  参考訳（メタデータ） (2023-06-22T10:59:15Z)
• Learning Sentinel-2 reflectance dynamics for data-driven assimilation and forecasting [11.0735899248545]
  我々は、クープマン作用素理論から着想を得たディープラーニングモデルを訓練し、教師なしの方法で長期反射率ダイナミクスをモデル化する。 この訓練されたモデルは、微分可能であり、直接的にデータ同化の先駆けとして使用できることを示す。
  論文  参考訳（メタデータ） (2023-05-05T10:04:03Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Evaluating the Label Efficiency of Contrastive Self-Supervised Learning for Multi-Resolution Satellite Imagery [0.0]
  遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。 本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
  論文  参考訳（メタデータ） (2022-10-13T06:54:13Z)
• 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)
• TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
  オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。 我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。 実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T21:05:00Z)
• Latent-Optimized Adversarial Neural Transfer for Sarcasm Detection [50.29565896287595]
  サーカズム検出のための共通データセットを活用するために,転送学習を適用する。 異なる損失が互いに対応できる汎用的な潜時最適化戦略を提案します。 特に、isarcasmデータセットの以前の状態よりも10.02%の絶対性能向上を達成している。
  論文  参考訳（メタデータ） (2021-04-19T13:07:52Z)
• Visualization of Deep Transfer Learning In SAR Imagery [0.0]
  eo shipデータセットでトレーニングされたネットワークの深い機能を活用するために、転送学習を検討する。 クラスアクティベーションマップの形でネットワークアクティベーションを調べることで、ディープネットワークが新しいモダリティをどのように解釈するかを知ることができます。
  論文  参考訳（メタデータ） (2021-03-20T00:16:15Z)

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。