論文の概要: National-scale 1-m resolution land-cover mapping for the entire China based on a low-cost solution and open-access data

• arxiv url: http://arxiv.org/abs/2303.05305v1
• Date: Thu, 9 Mar 2023 14:55:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 14:32:28.787316
• Title: National-scale 1-m resolution land-cover mapping for the entire China based on a low-cost solution and open-access data
• Title（参考訳）: 低コストソリューションとオープンアクセスデータに基づく中国全土の1m解像度土地被覆マッピング
• Authors: Zhuohong Li, Wei He, Hongyan Zhang
• Abstract要約: 深層学習フレームワークとオープンアクセスデータを用いて、9,600,000 km2$の中国における新しい1m解像度LCマップSinoLC-1を開発した。 中国の急速な都市化に伴い、中国向けの超高解像度(VHR)全国規模のLCマップを作成する必要がある。
• 参考スコア（独自算出の注目度）: 5.274736163637444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, many large-scale land-cover (LC) products have been released, however, current LC products for China either lack a fine resolution or nationwide coverage. With the rapid urbanization of China, there is an urgent need for creating a very-high-resolution (VHR) national-scale LC map for China. In this study, a novel 1-m resolution LC map of China covering $9,600,000 km^2$, called SinoLC-1, was produced by using a deep learning framework and multi-source open-access data. To efficiently generate the VHR national-scale LC map, firstly, the reliable LC labels were collected from three 10-m LC products and Open Street Map data. Secondly, the collected 10-m labels and 1-m Google Earth imagery were utilized in the proposed low-to-high (L2H) framework for training. With weak and self-supervised strategies, the L2H framework resolves the label noise brought by the mismatched resolution between training pairs and produces VHR results. Lastly, we compare the SinoLC-1 with five widely used products and validate it with a sample set including 10,6852 points and a statistical report collected from the government. The results show the SinoLC-1 achieved an OA of 74\% and a Kappa of 0.65. Moreover, as the first 1-m national-scale LC map for China, the SinoLC-1 shows overall acceptable results with the finest landscape details.
• Abstract（参考訳）: 現在、多くの大規模土地被覆(LC)製品がリリースされているが、現在の中国向けLC製品は精細な解像度や全国的なカバーを欠いている。 中国の急速な都市化に伴い、中国向けの超高解像度(VHR)全国規模のLCマップを作成する必要がある。 本研究では,深層学習フレームワークとマルチソースオープンアクセスデータを用いて,9,600,000 km^2$の中国における1m解像度LCマップを作成した。 VHRの全国規模のLCマップを効率的に生成するために,まず,3つの10mLC製品とオープンストリートマップデータから信頼性の高いLCラベルを収集した。 第二に、収集した10mのラベルと1mのGoogle Earth画像は、提案されたL2H(low-to-high)フレームワークでトレーニングに使用された。 弱い自己管理戦略により、L2Hフレームワークはトレーニングペア間のミスマッチ解決によるラベルノイズを解消し、VHR結果を生成する。 最後に、SinoLC-1を5つの広く使用されている製品と比較し、10,6852点と政府から収集された統計報告を含むサンプルセットと比較した。 その結果、sinolc-1 は oa を 74\%、kappa を 0.65 と達成した。 さらに、中国初の1mの全国規模のLCマップとして、SinoLC-1は、最も美しい景観の詳細を総合的に許容できる結果を示している。

関連論文リスト

• Toward Automatic Relevance Judgment using Vision--Language Models for Image--Text Retrieval Evaluation [56.49084589053732]
  VLM(Vision-Language Models)は、様々なアプリケーションで成功を収めてきたが、関連性判断を支援する可能性はまだ不明である。 本稿では,CLIP,LLaVA,GPT-4Vを含むVLMの関連性評価機能について,ゼロショット方式でマルチメディアコンテンツ作成に適した大規模テキスト分割ホック検索タスクで評価する。
  論文  参考訳（メタデータ） (2024-08-02T16:15:25Z)
• Retrieval Augmented Generation or Long-Context LLMs? A Comprehensive Study and Hybrid Approach [26.02167477129771]
  Retrieval Augmented Generation (RAG) は、Large Language Models (LLM) において、過度に長いコンテキストを効率的に処理するための強力なツールである。 RAGとLong-context (LC) LLMを比較し,両者の強みを活用することを目的とした。 本稿では, モデル自己回帰に基づいて, クエリをRAGやLCにルーティングする, 単純かつ効果的な手法であるSelf-Routeを提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:51:52Z)
• Chinese Tiny LLM: Pretraining a Chinese-Centric Large Language Model [36.01840141194335]
  2B大言語モデル(LLM)であるCT-LLMを導入する。 CT-LLMは、スクラッチから一意に開始され、中国語のテキストデータを組み込んで従来の手法から分岐する。 CT-LLMは中国語のタスクに優れており、SFTを通して英語で適応性を示す。
  論文  参考訳（メタデータ） (2024-04-05T15:20:02Z)
• AlignBench: Benchmarking Chinese Alignment of Large Language Models [99.24597941555277]
  中国語大言語モデルのアライメントを評価するための総合ベンチマークであるAlignBenchを紹介する。 我々は,8つの主要なカテゴリ,683の実シナリオ根付きクエリ,およびそれに対応する人間の検証基準を含む,ループ内データキュレーションパイプラインを設計する。 自動評価には,Chain-of-Thoughtを用いた多次元LCM-as-Judgecitezheng2023アジュジング手法を用いて説明と最終評価を生成する。
  論文  参考訳（メタデータ） (2023-11-30T17:41:30Z)
• Optimization Efficient Open-World Visual Region Recognition [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• Assessment of Local Climate Zone Products via Simplified Classification Rule with 3D Building Maps [0.0]
  本研究は,グローバルな地域気候帯製品の性能を評価するものである。 米国内の3大都市圏におけるLCZの組立型クラスについて検討した。 我々は,グローバルLCZマップの不確実性に光を当て,最も区別が難しいLCZクラスを特定し,LCZ開発と検証の今後の計画について考察した。
  論文  参考訳（メタデータ） (2023-09-27T19:53:44Z)
• CLEVA: Chinese Language Models EVAluation Platform [92.42981537317817]
  CLEVAは,中国のLLMを階層的に評価するためのユーザフレンドリーなプラットフォームである。 当社のプラットフォームでは,LLMのパフォーマンスをさまざまな次元で評価するために標準化されたワークフローを採用し,定期的に競合するリーダボードを更新しています。 汚染を軽減するため、CLEVAは、新しいデータのかなりの割合をキュレーションし、各リーダーボードラウンドのユニークなサブセットを保証するサンプリング戦略を開発する。 マウスクリック数回とモデルAPIを必要とする使い勝手の良いインターフェースと、最小限のコーディングで徹底的な評価を行うことができる。
  論文  参考訳（メタデータ） (2023-08-09T09:11:31Z)
• Chinese CLIP: Contrastive Vision-Language Pretraining in Chinese [55.95225353842118]
  我々は中国語で画像とテキストのペアの大規模なデータセットを構築し、ほとんどのデータは公開データセットから取得する。 77～958万のパラメータにまたがる,複数サイズの中国製CLIPモデルを5種類開発している。 実験の結果,中国のCLIPはMUGE,Flickr30K-CN,COCO-CNの最先端性能を達成できた。
  論文  参考訳（メタデータ） (2022-11-02T17:47:23Z)
• 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)
• Ultra Light OCR Competition Technical Report [2.6340198594420747]
  ウルトラライトOCRコンペティション(Ultra Light OCRコンペティション)は、CSIG(China Society of Image and Graphics)とBaiduが共同で開催している中国のシーンテキスト認識コンペティションである。 提案手法は,TestBデータセットの精度0.817の100以上のチームの中で第2位となった,中国のシーンテキスト認識のための汎用的で効果的な手法である。
  論文  参考訳（メタデータ） (2021-10-25T03:21:49Z)
• Continental-scale land cover mapping at 10 m resolution over Europe (ELC10) [0.0]
  衛星駆動機械学習のワークフローに基づいて,欧州の高解像度(10m)土地被覆地図(elc10)を提案する。 ランダムフォレスト分類モデルはLUCASデータセットから70K地点で訓練された。 この地図は8つの土地被覆クラスで90%の正確さを達成し、3.9%以内に統計単位の土地被覆率を計算できた。
  論文  参考訳（メタデータ） (2021-04-22T08:24:15Z)

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。