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

• CLongEval: A Chinese Benchmark for Evaluating Long-Context Large Language Models [52.092128293192914]
  長文LLMを評価するための総合的な中国のベンチマークであるCLongEvalを提案する。 CLongEvalの特徴は,(1) 7つの異なるタスクと7,267のサンプルからなる十分なデータボリューム,(2)コンテキストウィンドウサイズ1Kから100Kのモデルに適応する広範適用性,(3)高品質,2,000以上の手動で注釈付き質問応答ペア,に加えて自動構築されたラベル。
  論文  参考訳（メタデータ） (2024-03-06T07:43:43Z)
• GAOKAO-MM: A Chinese Human-Level Benchmark for Multimodal Models Evaluation [65.268245109828]
  LVLM(Large Vision-Language Models)は画像認識と言語理解に優れた能力を示す。 中国大学入学試験(GAokao-MM)に基づくマルチモーダルベンチマークであるGAokao-MMを提案する。 GPT-4-Vison(48.1%)、Qwen-VL-Plus(41.2%)、Gemini-Pro-Vision(35.1%)が上位3位である。
  論文  参考訳（メタデータ） (2024-02-24T06:57:15Z)
• AlignBench: Benchmarking Chinese Alignment of Large Language Models [100.30878214336444]
  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。 筆者らのベンチマークでは,多次元LCM-as-JudgeとChain-of-Thoughtを用いて,説明と最終評価を評価として用いた。 GPT-4の評価能力の95%を回復する中国専用評価器LLMであるCritiqueLLMによるAlignBenchの評価を報告する。
  論文  参考訳（メタデータ） (2023-11-30T17:41:30Z)
• 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)
• CCMB: A Large-scale Chinese Cross-modal Benchmark [46.349966178044184]
  我々は、研究コミュニティ向けにCCMBという、大規模で高品質な中国のクロスモーダルベンチマークを構築した。 Zeroには7億5000万のテキスト記述と組み合わせた2億5000万の画像が含まれている。
  論文  参考訳（メタデータ） (2022-05-08T13:19:23Z)
• 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)
• Developing High Quality Training Samples for Deep Learning Based Local Climate Zone Classification in Korea [0.5257115841810257]
  国連の計画によると、2050年までに3人に2人が都市部に住んでいる。 一般的な都市フットプリントデータは、高解像度の都市範囲を提供するが、分布、パターン、特徴に関する必須情報はない。 本研究では,韓国の主要都市をマルチスケール畳み込みニューラルネットワークを用いて地図化するためのローカル気候ゾーン(LCZ)データを開発した。
  論文  参考訳（メタデータ） (2020-11-03T02:52:37Z)

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。