論文の概要: Semi-Automated Segmentation of Geoscientific Data Using Superpixels
- arxiv url: http://arxiv.org/abs/2303.11404v1
- Date: Mon, 20 Mar 2023 19:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 17:34:36.670105
- Title: Semi-Automated Segmentation of Geoscientific Data Using Superpixels
- Title（参考訳）: 超画素を用いた地学データの半自動セグメンテーション
- Authors: Conrad P. Koziol and Eldad Haber
- Abstract要約: 地質学的プロセスは、臨界鉱物、水、地熱エネルギーなどの資源の分布を決定する。
スーパーピクセルの概念に触発されて,類似した特徴を持つ領域に分割したサーベイデータに対する深層学習に基づくアプローチを提案する。
- 参考スコア（独自算出の注目度）: 4.035753155957697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geological processes determine the distribution of resources such as critical
minerals, water, and geothermal energy. However, direct observation of geology
is often prevented by surface cover such as overburden or vegetation. In such
cases, remote and in-situ surveys are frequently conducted to collect physical
measurements of the earth indicative of the geology. Developing a geological
segmentation based on these measurements is challenging since individual
datasets can differ in properties (e.g. units, dynamic ranges, textures) and
because the data does not uniquely constrain the geology. Further, as the
number of datasets grows the information to constrain geology increases while
simultaneously becoming harder to make sense of. Inspired by the concept of
superpixels, we propose a deep-learning based approach to segment rasterized
survey data into regions with similar characteristics. We demonstrate its use
for semi-automated geoscientific mapping with datasets arising from independent
sensors and with diverse properties. In addition, we introduce a new loss
function for superpixels including a novel regularization parameter penalizing
image segmentation with non-connected component superpixels. This improves
integration of prior knowledge by allowing better control over the number of
superpixels generated.
- Abstract（参考訳）: 地質学的プロセスは、臨界鉱物、水、地熱エネルギーなどの資源の分布を決定する。
しかし、オーバーバーデンや植生などの表面被覆によって地質を直接観察することがしばしば防止される。
このような場合、地質の表象である地球を物理的に測定するために、リモートおよびその場調査が頻繁に実施される。
これらの測定に基づく地質セグメンテーションの開発は、個々のデータセットが特性(単位、ダイナミックレンジ、テクスチャなど)によって異なるため、またデータが一意に地質を制約しないため、困難である。
さらに、データセットの数が増えるにつれて、地質を制約する情報は増大し、同時に理解が困難になる。
スーパーピクセルの概念に触発されて,ラスタライズされた調査データを類似した特徴を持つ領域に分割する深層学習に基づく手法を提案する。
独立センサと多様な特性を持つデータセットを用いた半自動地学マッピングの応用を実証する。
さらに,新しい正規化パラメータを含むスーパーピクセルの損失関数を導入し,非連結成分スーパーピクセルによる画像分割をペナライズする。
これにより、生成されたスーパーピクセル数をよりよく制御することで、事前の知識の統合が改善される。
関連論文リスト
- Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。
大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。
また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文 参考訳（メタデータ） (2025-02-19T14:21:25Z) - EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳（メタデータ） (2025-01-14T13:42:22Z) - PEACE: Empowering Geologic Map Holistic Understanding with MLLMs [64.58959634712215]
地質図は地質学の基本的な図として、地球の地下と地表の構造と構成に関する重要な洞察を提供する。
その重要性にもかかわらず、現在のマルチモーダル大言語モデル(MLLM)は地質図の理解に乏しいことが多い。
このギャップを定量化するために、地質地図理解においてMLLMを評価するための最初のベンチマークであるGeoMap-Benchを構築した。
論文 参考訳（メタデータ） (2025-01-10T18:59:42Z) - Assessment of a new GeoAI foundation model for flood inundation mapping [4.312965283062856]
そこで本稿は,IBM-NASAのPrithviによる地空間基盤モデルの性能評価を行い,地空間解析の重要課題である洪水浸水マッピングを支援する。
実験では、ベンチマークデータセットであるSen1Floods11を使用し、モデルの予測可能性、一般化可能性、転送可能性を評価する。
以上の結果から, 未確認領域におけるセグメンテーションにおけるPrithviモデルの性能上の優位性が示された。
論文 参考訳（メタデータ） (2023-09-25T19:50:47Z) - Geo-Tiles for Semantic Segmentation of Earth Observation Imagery [7.49377967268953]
既存の手法とベンチマークデータセットは、ピクセルベースのタイリングスキームや、Webマッピングアプリケーションで使用されるジオタイリングスキームに依存している。
異種データに基づくジオタイルを生成するタイリング方式を用いて,地球観測画像のための新しいセグメンテーションパイプラインを提案する。
このアプローチは、ピクセルベースの、あるいは一般的なWebマッピングアプローチと比較して、いくつかの有益な特性を示す。
提案システムは,現在最先端のセマンティックセグメンテーションモデルの結果を改善することができることを示す。
論文 参考訳（メタデータ） (2023-06-01T15:46:04Z) - 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) - 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) - PetroGAN: A novel GAN-based approach to generate realistic, label-free
petrographic datasets [0.0]
本研究では,GAN(Generative Adversarial Network)に基づく新しいディープラーニングフレームワークを開発し,最初のリアルな合成石油写真データセットを作成する。
トレーニングデータセットは、平面光と横偏光の両方で岩石の薄い部分の10070枚の画像で構成されている。
このアルゴリズムは264のGPU時間で訓練され、ペトログラフ画像のFr'echet Inception Distance(FID)スコアが12.49に達した。
論文 参考訳（メタデータ） (2022-04-07T01:55:53Z) - Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文 参考訳（メタデータ） (2021-12-02T17:10:52Z) - Generalized Unsupervised Clustering of Hyperspectral Images of
Geological Targets in the Near Infrared [0.0]
スペクトルに類似した物質のクラスター化と分類は、しばしば、地球上の経済鉱物探査から火星での惑星探査まで、応用の第一歩である。
ここでは、専門的なスペクトル地質学者の入力と量的指標の両方から情報を得た特徴抽出とクラスタリングのための、完全に教師なしのワークフローを開発する。
このパイプラインは、類似の地質資料の高速かつ正確なクラスタリングマップを提供し、実験室の画像とリモートセンシング画像の両方の主要な鉱物クラスを一貫して識別し、分離する。
論文 参考訳（メタデータ） (2021-06-24T21:05:10Z) - Graph Signal Processing for Geometric Data and Beyond: Theory and
Applications [55.81966207837108]
グラフ信号処理(GSP)は、不規則な領域に存在する処理信号を可能にする。
GSP法は、幾何データとグラフの接続をブリッジすることで、統一的に幾何データに対する手法である。
最近開発されたグラフニューラルネットワーク(GNN)は、GSPの観点からこれらのネットワークの動作を解釈している。
論文 参考訳（メタデータ） (2020-08-05T03:20:16Z)
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。