論文の概要: Ben-ge: Extending BigEarthNet with Geographical and Environmental Data

• arxiv url: http://arxiv.org/abs/2307.01741v1
• Date: Tue, 4 Jul 2023 14:17:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 16:50:31.657449
• Title: Ben-ge: Extending BigEarthNet with Geographical and Environmental Data
• Title（参考訳）: Ben-ge: 地理・環境データによるBigEarthNetの拡張
• Authors: Michael Mommert, Nicolas Kesseli, Jo\"elle Hanna, Linus Scheibenreif, Damian Borth, Beg\"um Demir
• Abstract要約: 本稿では,世界規模で利用可能な地理・環境データを自由にコンパイルすることで,BigEarthNet-MMデータセットを補完するben-geデータセットを提案する。 このデータセットに基づいて、パッチベースの土地利用/土地被覆分類と土地利用/土地被覆区分の下流タスクに異なるデータモダリティを組み合わせる価値を示す。
• 参考スコア（独自算出の注目度）: 1.1377027568901037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning methods have proven to be a powerful tool in the analysis of large amounts of complex Earth observation data. However, while Earth observation data are multi-modal in most cases, only single or few modalities are typically considered. In this work, we present the ben-ge dataset, which supplements the BigEarthNet-MM dataset by compiling freely and globally available geographical and environmental data. Based on this dataset, we showcase the value of combining different data modalities for the downstream tasks of patch-based land-use/land-cover classification and land-use/land-cover segmentation. ben-ge is freely available and expected to serve as a test bed for fully supervised and self-supervised Earth observation applications.
• Abstract（参考訳）: 深層学習法は、大量の複雑な地球観測データの解析において強力なツールであることが証明されている。 しかし、地球観測データはほとんどの場合マルチモーダルであるが、通常は単一のあるいは少数のモーダルしか考慮されない。 本稿では,自由かつグローバルに利用可能な地理および環境データをコンパイルすることにより,bigearthnet-mmデータセットを補完するben-geデータセットを提案する。 このデータセットに基づいて,パッチベースの土地利用/土地被覆分類と土地利用/土地被覆区分の下流タスクにおける異なるデータモダリティを組み合わせる価値を示す。 ben-geは無料で利用可能であり、完全に監視され、自己監視された地球観測アプリケーションのためのテストベッドとして機能することが期待されている。

関連論文リスト

• Enabling Advanced Land Cover Analytics: An Integrated Data Extraction Pipeline for Predictive Modeling with the Dynamic World Dataset [1.3757956340051605]
  Dynamic Worldデータセットを扱うために、フレキシブルで効率的なエンドツーエンドパイプラインを提示します。 これには、ノイズ除去に取り組む前処理および表現フレームワーク、大量のデータの効率的な抽出、LULCデータの再表現が含まれる。 パイプラインのパワーを実証するために、都市化予測問題のためのデータを抽出し、優れたパフォーマンスで機械学習モデルのスイートを構築する。
  論文  参考訳（メタデータ） (2024-10-11T16:13:01Z)
• M3LEO: A Multi-Modal, Multi-Label Earth Observation Dataset Integrating Interferometric SAR and Multispectral Data [1.4053129774629076]
  M3LEOはマルチモーダルでマルチラベルの地球観測データセットである。 6つの地理的領域から約17M 4x4 kmのデータチップにまたがる。
  論文  参考訳（メタデータ） (2024-06-06T16:30:41Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)
• 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)
• DynamicEarthNet: Daily Multi-Spectral Satellite Dataset for Semantic Change Segmentation [43.72597365517224]
  本稿では,75個の関心領域を毎日,多スペクトルで観測するDynamicEarthNetデータセットを提案する。 これらの観察は、7つの土地利用と土地被覆クラスからなる画素単位の月間セマンティックセマンティックセグメンテーションラベルと組み合わせられる。
  論文  参考訳（メタデータ） (2022-03-23T17:22:22Z)
• 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)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• Deep residential representations: Using unsupervised learning to unlock elevation data for geo-demographic prediction [0.0]
  LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。 現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。 我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
  論文  参考訳（メタデータ） (2021-12-02T17:10:52Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)

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。