論文の概要: Large-scale Weakly Supervised Learning for Road Extraction from Satellite Imagery

• arxiv url: http://arxiv.org/abs/2309.07823v1
• Date: Thu, 14 Sep 2023 16:16:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-15 12:25:29.098011
• Title: Large-scale Weakly Supervised Learning for Road Extraction from Satellite Imagery
• Title（参考訳）: 衛星画像からの道路抽出のための大規模弱監視学習
• Authors: Shiqiao Meng, Zonglin Di, Siwei Yang, Yin Wang
• Abstract要約: 本稿では,OpenStreetMapの道路データを弱いラベルや大規模衛星画像として活用して,事前学習セマンティックセグメンテーションモデルを提案する。 私たちのモデルは、広く使われているDeepGlobeロードデータセットの最大100倍のデータを使用し、現在のDeepGlobeリーダーボードのトップパフォーマーを超えています。
• 参考スコア（独自算出の注目度）: 9.28701721082481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic road extraction from satellite imagery using deep learning is a viable alternative to traditional manual mapping. Therefore it has received considerable attention recently. However, most of the existing methods are supervised and require pixel-level labeling, which is tedious and error-prone. To make matters worse, the earth has a diverse range of terrain, vegetation, and man-made objects. It is well known that models trained in one area generalize poorly to other areas. Various shooting conditions such as light and angel, as well as different image processing techniques further complicate the issue. It is impractical to develop training data to cover all image styles. This paper proposes to leverage OpenStreetMap road data as weak labels and large scale satellite imagery to pre-train semantic segmentation models. Our extensive experimental results show that the prediction accuracy increases with the amount of the weakly labeled data, as well as the road density in the areas chosen for training. Using as much as 100 times more data than the widely used DeepGlobe road dataset, our model with the D-LinkNet architecture and the ResNet-50 backbone exceeds the top performer of the current DeepGlobe leaderboard. Furthermore, due to large-scale pre-training, our model generalizes much better than those trained with only the curated datasets, implying great application potential.
• Abstract（参考訳）: ディープラーニングを用いた衛星画像からの道路の自動抽出は、従来の手動マッピングの代替手段である。 そのため近年は注目されている。 しかし、既存のメソッドのほとんどは教師ありでピクセルレベルのラベリングが必要であり、退屈でエラーやすい。 さらに悪いことに、地球は様々な地形、植生、人工物を持っている。 ある領域で訓練されたモデルが他の領域にあまり一般化しないことはよく知られている。 光や天使のような様々な撮影条件や様々な画像処理技術が問題をさらに複雑にしている。 すべてのイメージスタイルをカバーするトレーニングデータを開発するのは非現実的です。 本稿では,openstreetmap道路データを弱いラベルと大規模衛星画像として活用し,事前学習によるセマンティクスセグメンテーションモデルを提案する。 実験結果から, 弱ラベル付きデータの量とともに, 予測精度が向上し, トレーニング対象地域における道路密度が増大することが示唆された。 広く使用されているdeepglobe roadデータセットの100倍のデータを使用すると、d-linknetアーキテクチャとresnet-50バックボーンのモデルが、現在のdeepglobe leaderboardの最高パフォーマンスを上回ります。 さらに、大規模事前学習により、我々のモデルは、キュレートされたデータセットのみを用いて訓練されたモデルよりもはるかに優れた一般化を実現し、アプリケーションの可能性を示している。

関連論文リスト

• Cross Pseudo Supervision Framework for Sparsely Labelled Geospatial Images [0.0]
  土地利用土地被覆(LULC)マッピングは、都市と資源計画にとって重要なツールである。 本研究では,高解像度衛星画像を用いたLULC予測のための半教師付きセグメンテーションモデルを提案する。 粗いラベル付きデータに基づいて画像分割モデルをトレーニングするクロス擬似スーパービジョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-05T11:14:23Z)
• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• 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)
• Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint Extraction from LiDAR Data with Limited Annotations [1.3243401820948064]
  フットプリントマップの構築は、広範な後処理なしで正確なフットプリント抽出を約束する。 ディープラーニング手法は、一般化とラベルの効率の面で課題に直面している。 リモートセンシングに適した地形認識型自己教師型学習を提案する。
  論文  参考訳（メタデータ） (2023-11-02T12:34:23Z)
• Self-Supervised Masked Digital Elevation Models Encoding for Low-Resource Downstream Tasks [0.6374763930914523]
  GeoAIは、何十年にもわたって収集されてきたデータのために、自己管理の方法論を活用することができる。 提案されたアーキテクチャは、ImageNetで事前トレーニングされたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2023-09-06T21:20:10Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• Semi-supervised Deep Learning for Image Classification with Distribution Mismatch: A Survey [1.5469452301122175]
  ディープラーニングモデルは、予測モデルをトレーニングするためにラベル付き観測の豊富な部分に依存します。 ラベル付きデータ観測を収集することは高価であり、ディープラーニングモデルの使用は理想的ではない。 多くの状況では、異なる非競合データソースが利用可能である。 これにより、ラベル付きデータセットと非ラベル付きデータセットの間にかなりの分散ミスマッチが発生するリスクが生じる。
  論文  参考訳（メタデータ） (2022-03-01T02:46:00Z)
• Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
  カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。 ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。 我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
  論文  参考訳（メタデータ） (2021-04-09T02:58:59Z)
• PP-LinkNet: Improving Semantic Segmentation of High Resolution Satellite Imagery with Multi-stage Training [4.694536172504848]
  道路網と建築物のフットプリント抽出は、地図の更新、交通規制、都市計画、ライドシェアリング、災害対応テキストテットックなど、多くのアプリケーションにとって不可欠である。
  論文  参考訳（メタデータ） (2020-10-14T10:23:48Z)
• Deep Traffic Sign Detection and Recognition Without Target Domain Real Images [52.079665469286496]
  本稿では,ターゲットドメインからの実際の画像を必要としない新しいデータベース生成手法と,(ii)交通標識のテンプレートを提案する。 この方法は、実際のデータでトレーニングを克服することではなく、実際のデータが利用できない場合に互換性のある代替手段になることを目的としている。 大規模なデータセットでは、完全に合成されたデータセットによるトレーニングは、実際のデータセットとトレーニングのパフォーマンスにほぼ一致する。
  論文  参考訳（メタデータ） (2020-07-30T21:06:47Z)

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。