論文の概要: Learning Sentinel-2 reflectance dynamics for data-driven assimilation
and forecasting
- arxiv url: http://arxiv.org/abs/2305.03743v1
- Date: Fri, 5 May 2023 10:04:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 19:41:15.984049
- Title: Learning Sentinel-2 reflectance dynamics for data-driven assimilation
and forecasting
- Title(参考訳): 学習センチネル-2 データ駆動型同化・予測のための反射率ダイナミクス
- Authors: Anthony Frion, Lucas Drumetz, Guillaume Tochon, Mauro Dalla Mura,
Abdeldjalil A\"issa El Bey
- Abstract要約: 我々は、クープマン作用素理論から着想を得たディープラーニングモデルを訓練し、教師なしの方法で長期反射率ダイナミクスをモデル化する。
この訓練されたモデルは、微分可能であり、直接的にデータ同化の先駆けとして使用できることを示す。
- 参考スコア(独自算出の注目度): 11.0735899248545
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the last few years, massive amounts of satellite multispectral and
hyperspectral images covering the Earth's surface have been made publicly
available for scientific purpose, for example through the European Copernicus
project. Simultaneously, the development of self-supervised learning (SSL)
methods has sparked great interest in the remote sensing community, enabling to
learn latent representations from unlabeled data to help treating downstream
tasks for which there is few annotated examples, such as interpolation,
forecasting or unmixing. Following this line, we train a deep learning model
inspired from the Koopman operator theory to model long-term reflectance
dynamics in an unsupervised way. We show that this trained model, being
differentiable, can be used as a prior for data assimilation in a
straightforward way. Our datasets, which are composed of Sentinel-2
multispectral image time series, are publicly released with several levels of
treatment.
- Abstract(参考訳): ここ数年、欧州コペルニクス計画(英語版)などを通じて、地球の表面を覆う大量の衛星マルチスペクトルおよびハイパースペクトル画像が科学的目的のために公開されている。
同時に、自己教師付き学習(ssl)手法の開発は、リモートセンシングコミュニティに大きな関心を呼び起こし、ラベルのないデータから潜在表現を学習することで、補間、予測、混合など、注釈付き例の少ない下流タスクの処理を可能にした。
このラインに続いて、koopman演算子理論に触発されたディープラーニングモデルを訓練し、教師なしの方法で長期的な反射ダイナミクスをモデル化する。
この訓練されたモデルは、微分可能であり、直接的にデータ同化の先行として使用できることを示す。
当社のデータセットはsentinel-2 multispectral image time seriesで構成され、いくつかのレベルの処理で公開されています。
関連論文リスト
- 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) - GenCo: An Auxiliary Generator from Contrastive Learning for Enhanced
Few-Shot Learning in Remote Sensing [9.504503675097137]
我々は、バックボーンを事前訓練し、同時に特徴サンプルの変種を探索するジェネレータベースのコントラスト学習フレームワーク(GenCo)を導入する。
微調整では、補助ジェネレータを使用して、特徴空間内の限られたラベル付きデータサンプルを濃縮することができる。
本稿では,2つの重要なリモートセンシングデータセットにおいて,この手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-07-27T03:59:19Z) - A generic self-supervised learning (SSL) framework for representation
learning from spectra-spatial feature of unlabeled remote sensing imagery [4.397725469518669]
自己教師付き学習(SSL)では、モデルが桁違いに遅延のないデータから表現を学習することができる。
この研究は、未ラベルデータのスペクトル空間情報の両方から表現を学習できる新しいSSLフレームワークを設計した。
論文 参考訳(メタデータ) (2023-06-27T23:50:43Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - Inverse Dynamics Pretraining Learns Good Representations for Multitask
Imitation [66.86987509942607]
このようなパラダイムを模倣学習でどのように行うべきかを評価する。
本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。
逆動力学モデリングはこの設定に適していると主張する。
論文 参考訳(メタデータ) (2023-05-26T14:40:46Z) - Land Use Prediction using Electro-Optical to SAR Few-Shot Transfer
Learning [16.71560262537924]
深層学習法は、電気光学(EO)や合成開口レーダ(SAR)画像などの異なる衛星モードの分析を容易にする。
ニューラルネットワーク埋め込みの分布アライメントは,スライスされたワッサーシュタイン距離(SWD)損失を用いて,強力な伝達学習モデルを生成することができることを示す。
数ショットのローカル気候ゾーン(LCZ)予測への応用として、これらのネットワークは、多数のクラスを持つデータセット上で、複数の共通ベースラインより優れていることを示す。
論文 参考訳(メタデータ) (2022-12-04T22:41:25Z) - 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) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳(メタデータ) (2022-07-17T07:05:39Z) - SEnSeI: A Deep Learning Module for Creating Sensor Independent Cloud
Masks [0.7340845393655052]
我々は、新しいニューラルネットワークアーキテクチャー、Sensor Independence(SEnSeI)のためのスペクトルエンコーダを導入する。
クラウドマスキングの問題,既存のいくつかのデータセット,Sentinel-2用の新たな無償データセットなどに注目した。
我々のモデルは、訓練した衛星(Sentinel-2とLandsat 8)の最先端性能を達成し、Landsat 7, Per'uSat-1、Sentinel-3 SLSTRのようなトレーニング中に観測されていないセンサーに外挿することができる。
論文 参考訳(メタデータ) (2021-11-16T10:47:10Z) - Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-08-02T07:50:50Z)
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。