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/2303.12533v2
• Date: Fri, 12 Jul 2024 13:04:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 06:06:24.237943
• Title: Pixel-wise Agricultural Image Time Series Classification: Comparisons and a Deformable Prototype-based Approach
• Title（参考訳）: 画素ワイド農業用画像時系列分類: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。 衛星画像時間(SITS)の教師付き画素分割と教師なし画素分割のためのデータセットと手法を提示・比較する。 我々は,このシンプルかつ高解釈可能な手法が,低データ方式で最高の性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 38.96950437566293
• 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 study different levels of supervision and show this simple and highly interpretable method achieves the best performance in the low data regime 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、より高時間分解能と空間分解能の画像が得られる。 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ための鍵となる。 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高度に設計されている。 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対して,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。 我々は、異なるレベルの監督について研究し、この単純かつ高度に解釈可能な手法は、低データ体制において最高の性能を達成し、最近の4つのSITSデータセット上での農業時系列の教師なし分類の最先端を著しく改善することを示す。

関連論文リスト

• Hybrid Ensemble Deep Graph Temporal Clustering for Spatiotemporal Data [0.37083047471478225]
  多変量時間データ解析のためのハイブリッドアンサンブルグラフクラスタリング(HEDGTC)法を提案する。 HEDGTCは、従来のクラスタリングからノイズや誤分類に対処するためのデュアルコンセンサスアプローチを採用している。 3つの実世界のデータセットで評価すると、HEDGTCは最先端のアンサンブルクラスタリングモデルより優れている。
  論文  参考訳（メタデータ） (2024-09-19T09:14:10Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• 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)
• Concept Drift and Long-Tailed Distribution in Fine-Grained Visual Categorization: Benchmark and Method [84.68818879525568]
  コンセプションドリフトとLong-Tailed Distributionデータセットを提案する。 インスタンスの特徴は時間によって異なり、長い尾の分布を示す傾向がある。 本稿ではCDLTに関連する学習課題に対処する機能組換えフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-04T12:42:45Z)
• 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)
• 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)
• A Contrastive Learning Approach to Auroral Identification and Classification [0.8399688944263843]
  オーロラ画像分類の課題に対する教師なし学習の新たな応用法を提案する。 オーロラ画像の表現を学習するためのコントラスト学習(SimCLR)アルゴリズムを改良し,適応する。 当社のアプローチは、運用目的の確立されたしきい値を超え、デプロイメントと利用の準備ができていることを実証しています。
  論文  参考訳（メタデータ） (2021-09-28T17:51:25Z)
• 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。