論文の概要: AI applications in forest monitoring need remote sensing benchmark
datasets
- arxiv url: http://arxiv.org/abs/2212.09937v1
- Date: Tue, 20 Dec 2022 01:11:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 16:16:46.172588
- Title: AI applications in forest monitoring need remote sensing benchmark
datasets
- Title(参考訳): 森林モニタリングにおけるAIアプリケーションはリモートセンシングベンチマークデータセットを必要とする
- Authors: Emily R. Lines, Matt Allen, Carlos Cabo, Kim Calders, Amandine Debus,
Stuart W. D. Grieve, Milto Miltiadou, Adam Noach, Harry J. F. Owen and
Stefano Puliti
- Abstract要約: 森林モニタリングのための厳密で有用なベンチマークデータセットを作成するための要件と考察について述べる。
ベンチマークに貢献できる大規模なデータセットの例をリストアップし、コミュニティ主導の代表的なベンチマークイニシアチブがこの分野にどのような恩恵をもたらすかを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rise in high resolution remote sensing technologies there has been
an explosion in the amount of data available for forest monitoring, and an
accompanying growth in artificial intelligence applications to automatically
derive forest properties of interest from these datasets. Many studies use
their own data at small spatio-temporal scales, and demonstrate an application
of an existing or adapted data science method for a particular task. This
approach often involves intensive and time-consuming data collection and
processing, but generates results restricted to specific ecosystems and sensor
types. There is a lack of widespread acknowledgement of how the types and
structures of data used affects performance and accuracy of analysis
algorithms. To accelerate progress in the field more efficiently, benchmarking
datasets upon which methods can be tested and compared are sorely needed.
Here, we discuss how lack of standardisation impacts confidence in estimation
of key forest properties, and how considerations of data collection need to be
accounted for in assessing method performance. We present pragmatic
requirements and considerations for the creation of rigorous, useful
benchmarking datasets for forest monitoring applications, and discuss how tools
from modern data science can improve use of existing data. We list a set of
example large-scale datasets that could contribute to benchmarking, and present
a vision for how community-driven, representative benchmarking initiatives
could benefit the field.
- Abstract(参考訳): 高解像度リモートセンシング技術の普及に伴い、森林モニタリングに利用可能なデータ量が爆発的に増加し、これらのデータセットから興味のある森林特性を自動的に導き出す人工知能アプリケーションの成長が伴っている。
多くの研究は、小さな時空間スケールで独自のデータを使用し、特定のタスクに既存のまたは適応したデータサイエンス手法の適用を実証している。
このアプローチでは、データ収集と処理に時間を要することが多いが、特定のエコシステムやセンサタイプに制限された結果を生成する。
使用するデータの種類と構造が、分析アルゴリズムのパフォーマンスと精度に与える影響について、広く認識されていない。
より効率的にフィールドの進捗を加速するため、テスト可能なメソッドと比較可能なデータセットのベンチマークが必要となる。
ここでは,標準化の欠如が重要な森林特性の推定の信頼性にどのように影響するか,また,手法の性能評価においてデータ収集の考慮を考慮する必要があるかについて議論する。
森林モニタリングアプリケーションのための厳密で有用なベンチマークデータセットを作成するための実用的要件と考察を提示し、現代のデータサイエンスのツールが既存のデータの利用を改善する方法について論じる。
ベンチマークに貢献できる大規模なデータセットの例をリストアップし、コミュニティ主導の代表的なベンチマークイニシアチブがこの分野にどのような恩恵をもたらすかを示す。
関連論文リスト
- Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳(メタデータ) (2024-07-24T09:11:34Z) - Neural Dynamic Data Valuation [4.286118155737111]
ニューラルダイナミックデータ評価(NDDV)という最適制御の観点から,新しいデータ評価手法を提案する。
本手法は,データ最適制御状態の感度を用いて,データ評価を正確に識別する理論的解釈を持つ。
さらに,データポイントのユニークな特徴を捉え,データポイントと平均場状態の相互作用による公平性を確保するために,データ再重み付け戦略を実装した。
論文 参考訳(メタデータ) (2024-04-30T13:39:26Z) - SPADES: A Realistic Spacecraft Pose Estimation Dataset using Event
Sensing [9.583223655096077]
実際のターゲットデータセットへのアクセスが限られているため、アルゴリズムはしばしば合成データを使用して訓練され、実際のドメインに適用される。
イベントセンシングは過去にも行われており、シミュレーションと実世界のシナリオの間のドメインギャップを減らすことが示されている。
制御された実験室で取得した実イベントデータと、同じカメラ内在性を用いてイベントデータをシミュレートした新しいデータセットSPADESを提案する。
論文 参考訳(メタデータ) (2023-11-09T12:14:47Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - A Review of Benchmarks for Visual Defect Detection in the Manufacturing
Industry [63.52264764099532]
本稿では,既存のベンチマークを用いて,それらの特性とユースケースを比較し,公開する。
産業メトリクスの要求と試験手順についての研究は、研究されたベンチマークに提示され、適用されます。
論文 参考訳(メタデータ) (2023-05-05T07:44:23Z) - Self-supervised Activity Representation Learning with Incremental Data:
An Empirical Study [7.782045150068569]
本研究では,時系列分類タスクにおける自己教師付き表現学習モデルの利用が及ぼす影響について検討する。
4つの公開データセットにおいて,ラベル付きデータのサイズ,分布,ソースが最終分類性能に与える影響を解析した。
論文 参考訳(メタデータ) (2023-05-01T01:39:55Z) - Towards Sequence Utility Maximization under Utility Occupancy Measure [53.234101208024335]
データベースでは、ユーティリティは各パターンに対して柔軟な基準であるが、ユーティリティ共有を無視するため、より絶対的な基準である。
まず、まず、シーケンスデータに対するユーティリティの占有を定義し、高ユーティリティ・アクシデント・パターンマイニングの問題を提起する。
SuMU(Sequence Utility Maximization with Utility cccupancy measure)と呼ばれるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-20T17:28:53Z) - Investigating Enhancements to Contrastive Predictive Coding for Human
Activity Recognition [7.086647707011785]
コントラスト予測符号化(Contrastive Predictive Coding, CPC)は、時系列データの特性を活用して効果的な表現を学習する手法である。
本研究では,アーキテクチャ,アグリゲータネットワーク,今後のタイムステップ予測を体系的に検討し,CPCの強化を提案する。
提案手法は6つのターゲットデータセットのうち4つを大幅に改善し,アプリケーションシナリオを広範囲に拡張する能力を示した。
論文 参考訳(メタデータ) (2022-11-11T12:54:58Z) - DOORS: Dataset fOr bOuldeRs Segmentation. Statistical properties and
Blender setup [0.0]
小天体の表面におけるボルダーの検出能力は、重要な操作やナビゲーションにおけるハザード検出などの視覚ベースの応用に有用である。
この研究は、2つのデータセットを生成するために使われる統計的な特徴と設定を提供する。
論文 参考訳(メタデータ) (2022-10-28T16:39:06Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳(メタデータ) (2022-08-16T20:46:08Z) - BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。
既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。
この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
論文 参考訳(メタデータ) (2020-08-11T17:04:47Z)
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。