論文の概要: Pixel-wise Agricultural Image Time Series Classification: Comparisons
and a Deformable Prototype-based Approach
- arxiv url: http://arxiv.org/abs/2303.12533v1
- Date: Wed, 22 Mar 2023 13:06:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 14:04:49.577934
- Title: Pixel-wise Agricultural Image Time Series Classification: Comparisons
and a Deformable Prototype-based Approach
- Title(参考訳): 画素別農業画像時系列分類:比較と変形可能なプロトタイプベースアプローチ
- Authors: Elliot Vincent, Jean Ponce, Mathieu Aubry
- Abstract要約: 時間的データを用いた収穫分断の現在の手法は、データに依存するか、監督の欠如を補うために非常に高度に設計されている。
本手法は,教師付き設定と教師なし設定の両方において有意義な結果をもたらすことを示す。
- 参考スコア(独自算出の注目度): 42.63951950643241
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Improvements in Earth observation by satellites allow for imagery of ever
higher temporal and spatial resolution. Leveraging this data for agricultural
monitoring is key for addressing environmental and economic challenges. Current
methods for crop segmentation using temporal data either rely on annotated data
or are heavily engineered to compensate the lack of supervision. In this paper,
we present and compare datasets and methods for both supervised and
unsupervised pixel-wise segmentation of satellite image time series (SITS). We
also introduce an approach to add invariance to spectral deformations and
temporal shifts to classical prototype-based methods such as K-means and
Nearest Centroid Classifier (NCC). We show this simple and highly interpretable
method leads to meaningful results in both the supervised and unsupervised
settings and significantly improves the state of the art for unsupervised
classification of agricultural time series on four recent SITS datasets.
- Abstract(参考訳): 衛星による地球観測の改善により、時間分解能と空間分解能が向上した。
このデータを農業モニタリングに活用することは、環境と経済の課題に対処する上で重要だ。
時間的データを用いた作物の分節化の現在の手法は、注釈付きデータに依存するか、監督の欠如を補うために非常に設計されている。
本稿では,衛星画像時系列(SITS)の教師付きおよび教師なし画素単位のセグメンテーションのためのデータセットと手法を提示・比較する。
また,K-meansやNearest Centroid Classifier (NCC)のような古典的プロトタイプベースの手法にスペクトル変形と時間シフトに不変性を加えるアプローチを導入する。
この単純かつ高度に解釈可能な手法は,教師付きおよび教師なしの2つの設定において有意義な結果をもたらすことを示し,近年の4つのsatデータセットにおける農業時系列の教師なし分類の技術を著しく改善した。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
本稿では,屋外ロボットのための微細な自己局在化手法を提案する。
提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。
これは、動的環境における知覚を増強する初めての疎視のみの手法である。
論文 参考訳(メタデータ) (2023-08-16T02:51:52Z) - Spatiotemporal k-means [63.230991774875044]
時空間クラスタリングは、人間の監督なしに動く物体のパターンや傾向を効率的に発見する必要性に対処する。
データクラスタ内のマルチテンポラリな関係を解析できるSTKMを提案する。
STKMは,特に低データ領域において,既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-11-10T04:40:31Z) - SatMAE: Pre-training Transformers for Temporal and Multi-Spectral
Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。
時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文 参考訳(メタデータ) (2022-07-17T01:35:29Z) - Explicitly incorporating spatial information to recurrent networks for
agriculture [4.583080280213959]
本稿では,深層畳み込みニューラルネットワークの分類を改善するための新しい手法を提案する。
利用可能なRGB-D画像とロボット・オドメトリーを利用してフレーム間特徴マップ空間登録を行う。
この情報は、その正確さと堅牢性を改善するために、繰り返し学習されたモデル内で融合される。
論文 参考訳(メタデータ) (2022-06-27T15:57:42Z) - Crop Type Identification for Smallholding Farms: Analyzing Spatial,
Temporal and Spectral Resolutions in Satellite Imagery [2.624789041396596]
衛星画像の高スペクトル分解能は、低空間分解能と時間分解能の予測性能を向上させることができる。
MSTR画像のマルチスペクトルデータを用いて、HSTR画像から得られる最良の結果と比較すると、F1スコアは7%向上する。
論文 参考訳(メタデータ) (2022-05-06T09:37:38Z) - Investigating Temporal Convolutional Neural Networks for Satellite Image
Time Series Classification: A survey [0.0]
時間的CNNは、SITS分類タスクに採用され、結果を奨励している。
本稿では,本手法をSITS分類の多くの現代的手法と比較し,近年の文献における既存の知見の検証を試みる。
2つのベンチマークSITSデータセットで実験を行い、Temporal CNNが比較ベンチマークアルゴリズムよりも優れた性能を示すことを示した。
論文 参考訳(メタデータ) (2022-04-13T14:08:14Z) - Data Augmentation via Mixed Class Interpolation using Cycle-Consistent
Generative Adversarial Networks Applied to Cross-Domain Imagery [16.870604081967866]
機械学習による物体検出と非可視画像内の分類は多くの分野において重要な役割を担っている。
しかし、このような応用は、限られた量の非可視領域画像のためにしばしば苦しむ。
本稿では,可視光帯域画像を利用した新しいデータ拡張手法の提案と評価を行う。
論文 参考訳(メタデータ) (2020-05-05T18:53:38Z) - Self-supervised Equivariant Attention Mechanism for Weakly Supervised
Semantic Segmentation [93.83369981759996]
本稿では,自己監督同変注意機構(SEAM)を提案する。
本手法は,完全教師付きセマンティックセグメンテーションにおいて,同値が暗黙の制約であることを示す。
本稿では,ネットワーク学習のための自己スーパービジョンを提供するために,様々な変換画像から予測されたCAMの整合性正則化を提案する。
論文 参考訳(メタデータ) (2020-04-09T14:57:57Z)
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。