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/2310.07223v2
- Date: Fri, 3 Nov 2023 15:35:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 17:04:54.021343
- 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 or multispectral data. To our knowledge, here we provide the
first study on BSU of LULC classes using MODIS multispectral time series, in
presence of missing data, with end-to-end 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
(https://zenodo.org/record/7752348##.ZBmkkezMLdo) and code
(https://github.com/jrodriguezortega/MSMTU) 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つの時間ステップのハイパースペクトルまたはマルチスペクトルデータに焦点を当てている。
そこで本研究では,MODISマルチスペクトル時系列を用いたLULCクラスのBSUに関する最初の研究を行った。
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(https://zenodo.org/record/7752348##.ZBmkkezMLdo)とコード(https://github.com/jrodriguezortega/MSMTU)が一般公開されている。
関連論文リスト
- 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) - Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。
CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
論文 参考訳（メタデータ） (2024-07-29T18:00:10Z) - 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) - Spectral Image Data Fusion for Multisource Data Augmentation [44.99833362998488]
マルチスペクトル画像やハイパースペクトル画像は、リモートセンシング、天文学的イメージング、精密農業など、さまざまな研究分野で人気が高まっている。
機械学習タスクを実行できる無料データの量は比較的少ない。
スペクトル画像の領域で開発された人工知能モデルは、固定されたスペクトルシグネチャを持つ入力画像を必要とする。
論文 参考訳（メタデータ） (2024-04-05T13:40:18Z) - 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) - Hyperspectral Image Segmentation based on Graph Processing over
Multilayer Networks [51.15952040322895]
ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。
M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。
HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
論文 参考訳（メタデータ） (2021-11-29T23:28:18Z) - 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。