論文の概要: SepHRNet: Generating High-Resolution Crop Maps from Remote Sensing
imagery using HRNet with Separable Convolution
- arxiv url: http://arxiv.org/abs/2307.05700v1
- Date: Tue, 11 Jul 2023 18:07:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 15:28:11.058865
- Title: SepHRNet: Generating High-Resolution Crop Maps from Remote Sensing
imagery using HRNet with Separable Convolution
- Title(参考訳): SepHRNet:分離畳み込み型HRNetを用いたリモートセンシング画像から高分解能クロップマップを生成する
- Authors: Priyanka Goyal, Sohan Patnaik, Adway Mitra, Manjira Sinha
- Abstract要約: 本稿では、HRNetと分離可能な畳み込み層を統合し、空間的パターンをキャプチャし、データの時間的パターンをキャプチャする、新たなDeep Learningアプローチを提案する。
提案アルゴリズムは、作物マップの生成において、97.5%の分類精度と55.2%のIoUを高い分類精度で達成する。
- 参考スコア(独自算出の注目度): 3.717258819781834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accurate mapping of crop production is crucial for ensuring food
security, effective resource management, and sustainable agricultural
practices. One way to achieve this is by analyzing high-resolution satellite
imagery. Deep Learning has been successful in analyzing images, including
remote sensing imagery. However, capturing intricate crop patterns is
challenging due to their complexity and variability. In this paper, we propose
a novel Deep learning approach that integrates HRNet with Separable
Convolutional layers to capture spatial patterns and Self-attention to capture
temporal patterns of the data. The HRNet model acts as a backbone and extracts
high-resolution features from crop images. Spatially separable convolution in
the shallow layers of the HRNet model captures intricate crop patterns more
effectively while reducing the computational cost. The multi-head attention
mechanism captures long-term temporal dependencies from the encoded vector
representation of the images. Finally, a CNN decoder generates a crop map from
the aggregated representation. Adaboost is used on top of this to further
improve accuracy. The proposed algorithm achieves a high classification
accuracy of 97.5\% and IoU of 55.2\% in generating crop maps. We evaluate the
performance of our pipeline on the Zuericrop dataset and demonstrate that our
results outperform state-of-the-art models such as U-Net++, ResNet50, VGG19,
InceptionV3, DenseNet, and EfficientNet. This research showcases the potential
of Deep Learning for Earth Observation Systems.
- Abstract(参考訳): 作物生産の正確なマッピングは、食料安全保障、効率的な資源管理、持続可能な農業慣行の確保に不可欠である。
これを実現する一つの方法は、高解像度衛星画像を分析することである。
Deep Learningはリモートセンシング画像を含む画像の解析に成功している。
しかし、複雑な作物パターンの捕獲は、その複雑さと変動性のために困難である。
本稿では,hrnetを分離可能な畳み込み層と統合し,空間的パターンと自己アテンションを捉え,データの時間的パターンを捉える新しいディープラーニング手法を提案する。
HRNetモデルはバックボーンとして機能し、作物の画像から高解像度の特徴を抽出する。
hrnetモデルの浅い層における空間分離可能な畳み込みは、計算コストを低減しつつ、複雑な作物パターンをより効果的に捉える。
マルチヘッドアテンション機構は、画像の符号化ベクトル表現から長期の時間的依存関係をキャプチャする。
最後に、cnnデコーダは、集約表現から作物マップを生成する。
adaboostは、さらに精度を向上させるために使用される。
提案アルゴリズムは,作物マップの生成において,97.5\%と55.2\%のIoUを高い分類精度で達成する。
Zuericropデータセット上でのパイプラインの性能を評価し,U-Net++,ResNet50,VGG19,InceptionV3,DenseNet,EfficientNetなどの最先端モデルよりも優れていることを示す。
本研究では,地球観測システムの深層学習の可能性を示す。
関連論文リスト
- Shrub of a thousand faces: an individual segmentation from satellite
images using deep learning [1.7736307382785161]
本研究では,Mask R-CNNを用いたインスタンス分割モデルと併用して,リモートセンシングされたRGB画像を活用する新しい手法を提案する。
本研究では,フォトインタプリタ(PI)とフィールドワーク(FW)データを用いて,モデルの開発と外部検証を行う新しいデータ構築設計を提案する。
最後に,ユニペロス個体の壁面マップを生成するために,開発したモデルを初めて展開する。
論文 参考訳(メタデータ) (2024-01-31T16:44:20Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳(メタデータ) (2023-11-21T19:49:13Z) - Robustifying Deep Vision Models Through Shape Sensitization [19.118696557797957]
そこで本研究では,ネットワークの全体像を学習するためのインセンティブを明示的に付与する,シンプルで軽量な対向拡張手法を提案する。
我々の拡張は、ランダムに決定された混合比を用いて、シャッフルパッチで、ある画像から別の画像へのエッジマップを重畳する。
この拡張により,データセットやニューラルアーキテクチャの分類精度とロバストネスが大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-11-14T11:17:46Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2022-04-19T17:59:45Z) - Learning Efficient Representations for Enhanced Object Detection on
Large-scene SAR Images [16.602738933183865]
SAR(Synthetic Aperture Radar)画像のターゲットの検出と認識は難しい問題である。
近年開発されたディープラーニングアルゴリズムは,SAR画像の固有の特徴を自動的に学習することができる。
本稿では,効率的かつ堅牢なディープラーニングに基づくターゲット検出手法を提案する。
論文 参考訳(メタデータ) (2022-01-22T03:25:24Z) - Sci-Net: a Scale Invariant Model for Building Detection from Aerial
Images [0.0]
本研究では,空間分解能の異なる空間画像に存在している建物を分割できるスケール不変ニューラルネットワーク(Sci-Net)を提案する。
具体的には,U-Netアーキテクチャを改良し,それを高密度なASPP(Atrous Space Pyramid Pooling)で融合し,微細なマルチスケール表現を抽出した。
論文 参考訳(メタデータ) (2021-11-12T16:45:20Z) - Superpixels and Graph Convolutional Neural Networks for Efficient
Detection of Nutrient Deficiency Stress from Aerial Imagery [3.6843744304889183]
リモートセンシングデータから栄養不足地域を特定し、注意が必要な地域へ農家に警告します。
ノードベースの分類を行うために,より軽量なグラフベースの手法を提案する。
このモデルは、cnnモデルよりも4桁少ないパラメータを持ち、数分で列車が走る。
論文 参考訳(メタデータ) (2021-04-20T21:18:16Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳(メタデータ) (2020-08-06T15:02:38Z) - From ImageNet to Image Classification: Contextualizing Progress on
Benchmarks [99.19183528305598]
ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。
私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
論文 参考訳(メタデータ) (2020-05-22T17:39:16Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳(メタデータ) (2020-03-15T11:04:30Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳(メタデータ) (2020-02-07T03:45:25Z)
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。