論文の概要: SSL4EO-L: Datasets and Foundation Models for Landsat Imagery
- arxiv url: http://arxiv.org/abs/2306.09424v2
- Date: Sun, 22 Oct 2023 13:59:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 08:42:02.285496
- Title: SSL4EO-L: Datasets and Foundation Models for Landsat Imagery
- Title（参考訳）: SSL4EO-L:ランドサット画像のデータセットと基礎モデル
- Authors: Adam J. Stewart, Nils Lehmann, Isaac A. Corley, Yi Wang, Yi-Chia
Chang, Nassim Ait Ali Braham, Shradha Sehgal, Caleb Robinson, Arindam
Banerjee
- Abstract要約: ランドサット計画 (Landsat program) は、過去最長の地球観測計画であり、8つの衛星による50年以上のデータ取得である。
深層学習やリモートセンシングの普及にもかかわらず、ほとんどの研究者はランドサットの画像解析に決定木とランダムな森林を使っている。
本稿では,ランドサット衛星群を対象としたセルフ・スーパーバイザード・ラーニング・フォー・アース・オブ・オブ・アース・オブ・ザ・観察のために設計された最初のデータセットであるSSL4EO-Lを紹介する。
- 参考スコア（独自算出の注目度）: 8.34029977985994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Landsat program is the longest-running Earth observation program in
history, with 50+ years of data acquisition by 8 satellites. The multispectral
imagery captured by sensors onboard these satellites is critical for a wide
range of scientific fields. Despite the increasing popularity of deep learning
and remote sensing, the majority of researchers still use decision trees and
random forests for Landsat image analysis due to the prevalence of small
labeled datasets and lack of foundation models. In this paper, we introduce
SSL4EO-L, the first ever dataset designed for Self-Supervised Learning for
Earth Observation for the Landsat family of satellites (including 3 sensors and
2 product levels) and the largest Landsat dataset in history (5M image
patches). Additionally, we modernize and re-release the L7 Irish and L8 Biome
cloud detection datasets, and introduce the first ML benchmark datasets for
Landsats 4-5 TM and Landsat 7 ETM+ SR. Finally, we pre-train the first
foundation models for Landsat imagery using SSL4EO-L and evaluate their
performance on multiple semantic segmentation tasks. All datasets and model
weights are available via the TorchGeo (https://github.com/microsoft/torchgeo)
library, making reproducibility and experimentation easy, and enabling
scientific advancements in the burgeoning field of remote sensing for a
multitude of downstream applications.
- Abstract（参考訳）: ランドサット計画(英: Landsat program)は、8つの衛星が50年以上にわたって取得した地球観測プログラムである。
これらの衛星に搭載されたセンサーが捉えたマルチスペクトル画像は、幅広い科学分野において重要である。
ディープラーニングとリモートセンシングの人気は高まっているが、ほとんどの研究者は、小さなラベル付きデータセットと基礎モデルの欠如により、ランドサット画像解析に決定木とランダム森林を使っている。
本稿では,ランドサット衛星群(3つのセンサと2つの製品レベルを含む)とランドサット史上最大のデータセット(5Mイメージパッチ)を対象とした,地球観測のための自己監督学習のための最初のデータセットであるSSL4EO-Lを紹介する。
さらに,L7 IrishおよびL8 Biomeクラウド検出データセットの近代化と再リリースを行い,Landsats 4-5 TMとLandsat 7 ETM+ SR用のMLベンチマークデータセットを導入した。
最後に,SSL4EO-Lを用いたランドサット画像の基礎モデルの事前学習を行い,複数のセマンティックセグメンテーションタスクの性能評価を行う。
全てのデータセットとモデル重みはtorchgeo(https://github.com/microsoft/torchgeo)ライブラリで利用可能であり、再現性と実験を容易にし、多数の下流アプリケーションのためのリモートセンシングの分野における科学的進歩を可能にする。
関連論文リスト
- Locate Anything on Earth: Advancing Open-Vocabulary Object Detection for Remote Sensing Community [50.16478515591924]
LAEタスクのための最初のオープンボキャブラリ基礎オブジェクト検出器であるLAE-DINOモデルを提案し,訓練する。
我々は、確立されたリモートセンシングベンチマークDIOR、DOTAv2.0、および新たに発表された80クラスのLEE-80Cベンチマークについて実験を行った。
その結果, LAE-1Mデータセットの利点と, LAE-DINO法の有効性が示された。
論文 参考訳（メタデータ） (2024-08-17T06:24:43Z) - Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve
Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。
MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。
これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文 参考訳（メタデータ） (2023-12-07T18:59:14Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳（メタデータ） (2023-12-06T16:53:17Z) - A Self-Supervised Approach to Land Cover Segmentation [1.0878040851638]
土地利用/土地被覆変化マップ(LULC map)は、地球科学と農業研究において重要な資源である。
このような地図の性質から、LULCマップの作成は、衛星画像やリモートセンシングデータを正確にアノテートするために必要な時間と人的資源によって制約されることが多い。
本稿では,高品質な地中真実ラベルを必要としない土地被覆セグメンテーションの自己管理手法を実証する。
論文 参考訳（メタデータ） (2023-10-27T16:37:36Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳（メタデータ） (2023-10-10T00:03:23Z) - An Open Hyperspectral Dataset with Sea-Land-Cloud Ground-Truth from the
HYPSO-1 Satellite [0.0]
HYPSO-1Sea-Land-Cloud-Labeledデータセットは、HYPSO-1ミッションから200の多様なハイパースペクトル画像を持つオープンデータセットである。
これらの画像のうち38枚は、海と陸とクラウドのカテゴリにラベル付けされた約2500万のスペクトルシグネチャで、ピクセルレベルの地平線ラベルを含んでいる。
論文 参考訳（メタデータ） (2023-08-25T21:35:22Z) - SSL4EO-S12: A Large-Scale Multi-Modal, Multi-Temporal Dataset for
Self-Supervised Learning in Earth Observation [20.94411133447731]
自己教師による事前訓練は、人間のアノテーションなしで表現力のある表現を生成する可能性を秘めている。
我々は、グローバル、マルチモーダル、マルチシーズンの衛星画像コーパスを組み立てるために、ラベルのないRSデータセットSSL4EO-S12を共有している。
論文 参考訳（メタデータ） (2022-11-13T23:38:27Z) - EarthNets: Empowering AI in Earth Observation [24.160463837610074]
地球観測(EO)は、リモートセンシングデータを用いて惑星地球の状態を監視することを目的としている。
本稿では,500以上の公開データセットの総合的なレビューを行う。
モデル評価のための新しいベンチマークを構築するために,データセットを計測,ランク付け,選択することを提案する。
論文 参考訳（メタデータ） (2022-10-10T18:09:35Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z)
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。