論文の概要: Deep Learning for blind spectral unmixing of LULC classes with MODIS
multispectral time series and ancillary data
- arxiv url: http://arxiv.org/abs/2310.07223v1
- Date: Wed, 11 Oct 2023 06:13:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 00:03:50.232199
- Title: Deep Learning for blind spectral unmixing of LULC classes with MODIS
multispectral time series and ancillary data
- Title（参考訳）: MODIS多重スペクトル時系列と補助データを用いたLULCクラスのブラインドスペクトルアンミキシングのための深層学習
- Authors: Jos\'e Rodr\'iguez-Ortega (1 and 2), Rohaifa Khaldi (2), Domingo
Alcaraz-Segura (3), Siham Tabik (1) ((1) Department of Computer Science and
Artificial Intelligence, DaSCI, University of Granada, Granada, Spain, (2)
LifeWatch-ERIC ICT Core, Seville, Spain, (3) Department of Botany, Faculty of
Science, University of Granada, Granada, Spain)
- Abstract要約: アンダルシア地方(スペイン)の新しいラベル付きデータセットを構築し,2013年を460mの解像度でMODISから作成する。
このデータセットは、画素レベルにおいて、各画素内のLULCクラスの存在量に注釈を付した多重スペクトル時系列と補助情報を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Remotely sensed data are dominated by mixed Land Use and Land Cover (LULC)
types. Spectral unmixing is a technique to extract information from mixed
pixels into their constituent LULC types and corresponding abundance fractions.
Traditionally, solving this task has relied on either classical methods that
require prior knowledge of endmembers or machine learning methods that avoid
explicit endmembers calculation, also known as blind spectral unmixing (BSU).
Most BSU studies based on Deep Learning (DL) focus on one time-step
hyperspectral data, yet its acquisition remains quite costly compared with
multispectral data. To our knowledge, here we provide the first study on BSU of
LULC classes using multispectral time series data with DL models. We further
boost the performance of a Long-Short Term Memory (LSTM)-based model by
incorporating geographic plus topographic (geo-topographic) and climatic
ancillary information. Our experiments show that combining spectral-temporal
input data together with geo-topographic and climatic information substantially
improves the abundance estimation of LULC classes in mixed pixels. To carry out
this study, we built a new labeled dataset of the region of Andalusia (Spain)
with monthly multispectral time series of pixels for the year 2013 from MODIS
at 460m resolution, for two hierarchical levels of LULC classes, named
Andalusia MultiSpectral MultiTemporal Unmixing (Andalusia-MSMTU). This dataset
provides, at the pixel level, a multispectral time series plus ancillary
information annotated with the abundance of each LULC class inside each pixel.
The dataset and code are available to the public.
- Abstract（参考訳）: リモートセンシングされたデータは、土地利用と土地被覆(LULC)が混在している。
スペクトル・アンミキシング(spectrum unmixing)は、混合画素からそれらの構成lulcタイプと対応する剰余分に情報を抽出する技術である。
伝統的に、このタスクの解決は、エンドメンバーの事前知識を必要とする古典的な方法や、明確なエンドメンバーの計算を避ける機械学習手法、あるいはブラインドスペクトルアンミックス(BSU)と呼ばれる方法に依存してきた。
ディープラーニング(DL)に基づくほとんどのBSU研究は1段階のハイパースペクトルデータに重点を置いているが、その取得はマルチスペクトルデータと比較してかなりコストがかかる。
本稿では,多スペクトル時系列データとDLモデルを用いたLULCクラスのBSUに関する最初の研究について述べる。
地理+地形(ジオトポグラフィ)と気候補助情報を組み込んだ長短記憶モデル(LSTM)の性能をさらに向上させる。
実験の結果, 時空間入力データと地形情報と気候情報を組み合わせることで, 混合画素におけるLULCクラスの存在量の推定が大幅に向上することがわかった。
本研究では,2013年にmodisから460mの解像度で,andalusia multispectral multitemporal unmixing (andalusia-msmtu) という2つの階層的なlulcクラスに対して,毎月マルチスペクトルの画素列を持つアンダルシア地域(spain)のラベル付きデータセットを構築した。
このデータセットは、画素レベルでは、各画素内のLULCクラスの存在量に注釈を付けた多重スペクトル時系列と補助情報を提供する。
データセットとコードは一般公開されている。
関連論文リスト
- EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳（メタデータ） (2025-01-14T13:42:22Z) - PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [76.95536611263356]
PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。
複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。
PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。
本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
論文 参考訳（メタデータ） (2024-12-17T09:59:53Z) - SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチ時間データセットであるSpectralEarthを紹介する。
我々は、最先端の自己教師付き学習(SSL)アルゴリズムを用いて、SpectralEarthの一連の基礎モデルを事前訓練する。
我々は、土地被覆と収穫型マッピングのための4つの下流データセットを構築し、モデル評価のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2024-08-15T22:55:59Z) - 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) - 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) - FLAIR: a Country-Scale Land Cover Semantic Segmentation Dataset From
Multi-Source Optical Imagery [4.9687851703152806]
本稿では,フランス国立地理学林情報研究所 (IGN) の広範なデータセットであるFLAIR (Aerospace ImageRy) のフレンチランドカバーを紹介する。
FLAIRは、地上サンプル距離20cmの高解像度空中画像と、正確な土地被覆分類のための200億以上の個別ラベル付きピクセルを含んでいる。
このデータセットは、光学衛星時系列からの時間的・スペクトル的なデータも統合する。
論文 参考訳（メタデータ） (2023-10-20T07:55:12Z) - SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。
本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。
履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
論文 参考訳（メタデータ） (2023-06-09T21:01:29Z) - PS-ARM: An End-to-End Attention-aware Relation Mixer Network for Person
Search [56.02761592710612]
モジュール・パーソン・サーチのための新しいアテンション・アウェア・リレーション・ミキサー(ARM)を提案する。
私たちのARMモジュールはネイティブで、きめ細かい監督やトポロジカルな仮定に依存していません。
我々のPS-ARMは、両方のデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-10-07T10:04:12Z) - X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for
Classification of Remote Sensing Data [69.37597254841052]
我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。
X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。
我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2020-06-24T15:29:41Z)
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。