論文の概要: Toward Polar Sea-Ice Classification using Color-based Segmentation and
Auto-labeling of Sentinel-2 Imagery to Train an Efficient Deep Learning Model
- arxiv url: http://arxiv.org/abs/2303.12719v1
- Date: Wed, 8 Mar 2023 19:09:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-25 03:08:40.063623
- Title: Toward Polar Sea-Ice Classification using Color-based Segmentation and
Auto-labeling of Sentinel-2 Imagery to Train an Efficient Deep Learning Model
- Title(参考訳): 色に基づくセグメンテーションとセンチネル2画像の自動ラベリングによる高能率深層学習モデルの学習
- Authors: Jurdana Masuma Iqrah, Younghyun Koo, Wei Wang, Hongjie Xie and Sushil
Prasad
- Abstract要約: 北極海氷の融解パターンと後退は地球温暖化の重要な指標である。
センチネル2衛星は極域の高解像度の光学画像を撮影する。
重要な課題は、基礎となる真実として機能するラベル付きS2トレーニングデータがないことである。
- 参考スコア(独自算出の注目度): 3.8768637546735456
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Global warming is an urgent issue that is generating catastrophic
environmental changes, such as the melting of sea ice and glaciers,
particularly in the polar regions. The melting pattern and retreat of polar sea
ice cover is an essential indicator of global warming. The Sentinel-2 satellite
(S2) captures high-resolution optical imagery over the polar regions. This
research aims at developing a robust and effective system for classifying polar
sea ice as thick or snow-covered, young or thin, or open water using S2 images.
A key challenge is the lack of labeled S2 training data to serve as the ground
truth. We demonstrate a method with high precision to segment and automatically
label the S2 images based on suitably determined color thresholds and employ
these auto-labeled data to train a U-Net machine model (a fully convolutional
neural network), yielding good classification accuracy. Evaluation results over
S2 data from the polar summer season in the Ross Sea region of the Antarctic
show that the U-Net model trained on auto-labeled data has an accuracy of
90.18% over the original S2 images, whereas the U-Net model trained on manually
labeled data has an accuracy of 91.39%. Filtering out the thin clouds and
shadows from the S2 images further improves U-Net's accuracy, respectively, to
98.97% for auto-labeled and 98.40% for manually labeled training datasets.
- Abstract(参考訳): 地球温暖化は、特に極地地域での海氷や氷河の融解など、壊滅的な環境変化を引き起こしている緊急問題である。
極海氷の融解パターンと後退は地球温暖化の重要な指標である。
センチネル2衛星(S2)は極域の高解像度の光学画像を撮影する。
本研究の目的は, 極海氷をS2画像を用いて, 厚み, 積雪, 若さ, 薄さ, 開放水に分類する, 堅牢で効果的なシステムを開発することである。
重要な課題は、基礎となる真実として機能するラベル付きS2トレーニングデータがないことである。
そこで本研究では,適切な色閾値に基づいてs2画像を自動的に分割ラベル付けする高精度な手法を示し,これら自動ラベルデータを用いてu-netマシンモデル(完全畳み込みニューラルネットワーク)を訓練し,分類精度の向上を図る。
南極のロス海地域の極地夏期のS2データに対する評価結果は、自動ラベル付きデータで訓練されたU-Netモデルが元のS2画像で90.18%の精度を示したのに対し、手動ラベル付きデータで訓練されたU-Netモデルは91.39%の精度を示した。
S2画像から薄い雲と影をフィルタリングすると、それぞれU-Netの精度が98.97%、手動でラベル付けされたトレーニングデータセットが98.40%向上する。
関連論文リスト
- Partial Label Learning with Focal Loss for Sea Ice Classification Based on Ice Charts [2.0270474485799017]
本稿では,海氷分類を学習するための新しいGeoAI手法を提案する。
我々は、ポリゴンレベルのラベルを候補部分ラベルとして扱い、対応する氷濃度を各ラベルの信頼性スコアとして割り当て、焦点損失と統合して畳み込みニューラルネットワーク(CNN)を訓練する。
提案手法により,Sentinel-1双偏極SAR画像の海氷分類性能が向上し,分類精度が87%から92%に向上し,F-1スコアが90%から93%に向上した。
論文 参考訳(メタデータ) (2024-06-05T22:49:30Z) - A Parallel Workflow for Polar Sea-Ice Classification using Auto-labeling of Sentinel-2 Imagery [3.0635300721402228]
本研究は, 極海氷をセンチネル2画像で分類する, 堅牢で効果的でスケーラブルなシステムを開発することを目的とする。
1つの大きな障害は、基礎となる真実として振る舞うためのラベル付きS2トレーニングデータ(イメージ)がないことである。
そこで本研究では,S2画像のセグメンテーションと自動ラベル付けを行う,スケーラブルで高精度な手法を提案する。
論文 参考訳(メタデータ) (2024-03-19T20:10:50Z) - A deep learning approach for marine snow synthesis and removal [55.86191108738564]
本稿では,深層学習技術を用いた海洋雪の干渉低減手法を提案する。
まず,GAN(Generative Adversarial Network)モデルを用いて,現実的な積雪サンプルを合成する。
次に、画像から画像への変換タスクとして海洋性除雪を行うためにU-Netモデルを訓練する。
論文 参考訳(メタデータ) (2023-11-27T07:19:41Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳(メタデータ) (2023-10-10T20:11:13Z) - AMD-HookNet for Glacier Front Segmentation [17.60067480799222]
氷河の開削前位置の変化に関する知識は 氷河の状態を評価する上で重要です
深層学習に基づく手法は、光学衛星画像やレーダー衛星画像から氷河の前部線を削る大きな可能性を示している。
本研究では,新しい氷河養生フロントセグメンテーションフレームワークであるAttention-Multi-hooking-Deep-supervision HookNetを提案する。
論文 参考訳(メタデータ) (2023-02-06T12:39:40Z) - Deep Learning Models for River Classification at Sub-Meter Resolutions
from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。
我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。
新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
論文 参考訳(メタデータ) (2022-12-27T20:56:34Z) - Unsupervised Foggy Scene Understanding via Self Spatial-Temporal Label
Diffusion [51.11295961195151]
運転シーンの霧画像列の特徴を利用して、自信ある擬似ラベルを密度化する。
局所的な空間的類似性と逐次画像データの隣接時間対応の2つの発見に基づいて,新たなターゲット・ドメイン駆動擬似ラベル拡散方式を提案する。
本手法は,2つの天然霧のデータセット上で51.92%,53.84%の平均交叉結合(mIoU)を達成するのに有効である。
論文 参考訳(メタデータ) (2022-06-10T05:16:50Z) - Recognition of polar lows in Sentinel-1 SAR images with deep learning [5.571369922847262]
本研究では, 海洋性メソサイクロン, 陰性, 正常な海の状態を表すSentinel-1画像からなる新しいデータセットについて紹介する。
データセットは、ラベル付きイメージを分類するためにディープラーニングモデルをトレーニングするために使用される。
このモデルではF-1スコアが0.95であり、SAR画像から極低を一貫して検出できることを示している。
論文 参考訳(メタデータ) (2022-03-30T15:32:39Z) - Big Plastic Masses Detection using Sentinel 2 Images [91.3755431537592]
このコミュニケーションは、地球観測衛星システムを用いて、海や海におけるプラスチック(海洋ゴミ)の大きな塊の検出に関する予備的な研究を記述している。
論文 参考訳(メタデータ) (2021-03-17T10:45:33Z) - Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
氷河マッピングは、hkh領域における生態モニタリングの鍵となる。
気候変動は、氷河生態系の健康に依存している個人にリスクを与える。
本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-09T12:48:06Z) - Circumventing Outliers of AutoAugment with Knowledge Distillation [102.25991455094832]
AutoAugmentは多くの視覚タスクの精度を向上させる強力なアルゴリズムである。
本論文は作業機構を深く掘り下げ,AutoAugmentがトレーニング画像から識別情報の一部を除去できることを明らかにする。
教師モデルの出力に言及した知識蒸留を用いて,ネットワークトレーニングの指導を行う。
論文 参考訳(メタデータ) (2020-03-25T11:51:41Z)
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。