論文の概要: Toward Foundation Models for Earth Monitoring: Generalizable Deep
Learning Models for Natural Hazard Segmentation
- arxiv url: http://arxiv.org/abs/2301.09318v1
- Date: Mon, 23 Jan 2023 08:35:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 13:51:33.687528
- Title: Toward Foundation Models for Earth Monitoring: Generalizable Deep
Learning Models for Natural Hazard Segmentation
- Title(参考訳): 地球モニタリングの基礎モデルに向けて:自然災害セグメンテーションのための一般化可能な深層学習モデル
- Authors: Johannes Jakubik, Michal Muszynski, Michael V\"ossing, Niklas K\"uhl,
Thomas Brunschwiler
- Abstract要約: 自然災害のリアルタイムマッピングは、災害救済、リスク管理、政府の政策決定の伝達に最優先される。
リアルタイムに近いマッピングを実現するための最近の手法は、ディープラーニング(DL)をますます活用している。
本研究では,適切なプレタスクの事前学習に基づいて,DL自然災害マッパーの一般化可能性を大幅に向上させる手法を提案する。
- 参考スコア(独自算出の注目度): 0.47725505365135473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Climate change results in an increased probability of extreme weather events
that put societies and businesses at risk on a global scale. Therefore, near
real-time mapping of natural hazards is an emerging priority for the support of
natural disaster relief, risk management, and informing governmental policy
decisions. Recent methods to achieve near real-time mapping increasingly
leverage deep learning (DL). However, DL-based approaches are designed for one
specific task in a single geographic region based on specific frequency bands
of satellite data. Therefore, DL models used to map specific natural hazards
struggle with their generalization to other types of natural hazards in unseen
regions. In this work, we propose a methodology to significantly improve the
generalizability of DL natural hazards mappers based on pre-training on a
suitable pre-task. Without access to any data from the target domain, we
demonstrate this improved generalizability across four U-Net architectures for
the segmentation of unseen natural hazards. Importantly, our method is
invariant to geographic differences and differences in the type of frequency
bands of satellite data. By leveraging characteristics of unlabeled images from
the target domain that are publicly available, our approach is able to further
improve the generalization behavior without fine-tuning. Thereby, our approach
supports the development of foundation models for earth monitoring with the
objective of directly segmenting unseen natural hazards across novel geographic
regions given different sources of satellite imagery.
- Abstract(参考訳): 気候変動は、社会やビジネスを世界的な規模で危険にさらす極端な気象事象の確率を増加させる。
したがって、自然災害のほぼリアルタイムマッピングは、自然災害の救済、リスク管理、政府の政策決定の伝達を支援するための新たな優先事項である。
リアルタイムに近いマッピングを実現するための最近の手法は、ディープラーニング(DL)を活用している。
しかし、DLベースのアプローチは、衛星データの特定の周波数帯域に基づいて、1つの地理的領域における1つの特定のタスクのために設計されている。
そのため、特定の自然災害をマップするために使われるDLモデルは、目に見えない地域での他の種類の自然災害への一般化に苦しむ。
本研究では,適切なプレタスクによる事前学習に基づいて,DL自然災害マッパーの一般化可能性を大幅に向上させる手法を提案する。
対象領域からのデータにアクセスせずに、4つのU-Netアーキテクチャにまたがる一般化可能性の向上を実証する。
重要な点として,本手法は衛星データの周波数帯域の種類と地理的差に不変である。
公開可能な対象領域からのラベルなし画像の特性を活用することで,より微調整することなく,一般化動作をさらに改善することができる。
そこで本研究では,衛星画像の異なる領域にまたがる未知の自然災害を直接分類することを目的として,地球観測のための基盤モデルの開発を支援する。
関連論文リスト
- A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳(メタデータ) (2022-11-04T09:58:57Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-06-06T05:12:48Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳(メタデータ) (2022-05-27T12:29:11Z) - 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) - Region-Based Semantic Factorization in GANs [67.90498535507106]
本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。
適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。
様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
論文 参考訳(メタデータ) (2022-02-19T17:46:02Z) - Deep Learning Methods for Daily Wildfire Danger Forecasting [6.763972119525753]
森林火災の予測は、災害リスクの低減と環境の持続可能性にとって最重要課題である。
我々は、過去10年間の歴史的地球観測データを用いて、日々の火災危険予測を機械学習タスクとしてアプローチし、火災の危険を予測する。
我々のDLベースの実証概念は、既存の運用ソリューションよりもはるかに高解像度で、全国規模の1日あたりの火災危険マップを提供する。
論文 参考訳(メタデータ) (2021-11-04T10:39:12Z) - Geographic ratemaking with spatial embeddings [0.3211619859724084]
ある領域に高い被曝率を持つ保険会社は、通常競争上の優位性がある。
過去の損失データが利用できない地域では、地理的損失に依存することが問題となる。
本論文では, 歴史的保険請求損失の平滑化に代えて, 地理レートモデルを構築するためのデータに基づく手法を提案する。
論文 参考訳(メタデータ) (2021-04-26T20:09:45Z) - RiskOracle: A Minute-level Citywide Traffic Accident Forecasting
Framework [12.279252772816216]
交通事故のリアルタイム予測は、公共の安全と都市管理にとってますます重要になっている。
事故予測に関するこれまでの研究はしばしば時間レベルで行われ、既存のニューラルネットワークと静的な地域関係を考慮に入れている。
本稿では,予測の粒度を細部まで改善する新しいフレームワークであるR RiskOracleを提案する。
論文 参考訳(メタデータ) (2020-02-19T07:18:46Z) - MapLUR: Exploring a new Paradigm for Estimating Air Pollution using Deep
Learning on Map Images [4.7791671364702575]
土地利用回帰モデルは, 計測ステーションのない地域での大気汚染濃度を評価する上で重要である。
我々は,オープンかつグローバルなデータのみを用いて,純粋にデータ駆動型アプローチに基づくモデルを実現する,データ駆動型オープングローバル(DOG)パラダイムを提案する。
論文 参考訳(メタデータ) (2020-02-18T11:21:55Z)
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。