論文の概要: There Are No Data Like More Data- Datasets for Deep Learning in Earth Observation

• arxiv url: http://arxiv.org/abs/2310.19231v1
• Date: Mon, 30 Oct 2023 02:19:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 13:33:41.922534
• Title: There Are No Data Like More Data- Datasets for Deep Learning in Earth Observation
• Title（参考訳）: 地球観測における深層学習のためのデータセットなどデータはない
• Authors: Michael Schmitt and Seyed Ali Ahmadi and Yonghao Xu and Gulsen Taskin and Ujjwal Verma and Francescopaolo Sica and Ronny Hansch
• Abstract要約: 私たちは、地球観測データ専用の機械学習データセットをスポットライトに入れたいと思っています。 我々は、私たちのデータの性質が地球観測コミュニティを区別するものであるという理解に貢献したいと考えています。
• 参考スコア（独自算出の注目度）: 6.839093061382966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Carefully curated and annotated datasets are the foundation of machine learning, with particularly data-hungry deep neural networks forming the core of what is often called Artificial Intelligence (AI). Due to the massive success of deep learning applied to Earth Observation (EO) problems, the focus of the community has been largely on the development of ever-more sophisticated deep neural network architectures and training strategies largely ignoring the overall importance of datasets. For that purpose, numerous task-specific datasets have been created that were largely ignored by previously published review articles on AI for Earth observation. With this article, we want to change the perspective and put machine learning datasets dedicated to Earth observation data and applications into the spotlight. Based on a review of the historical developments, currently available resources are described and a perspective for future developments is formed. We hope to contribute to an understanding that the nature of our data is what distinguishes the Earth observation community from many other communities that apply deep learning techniques to image data, and that a detailed understanding of EO data peculiarities is among the core competencies of our discipline.
• Abstract（参考訳）: 注意深いキュレーションと注釈付きデータセットは、機械学習の基礎であり、特にデータ格納型ディープニューラルネットワークは、しばしば人工知能(ai)と呼ばれるものの中核を形成する。 地球観測(eo)問題に適用されたディープラーニングの大規模成功により、コミュニティの焦点は、より洗練されたディープニューラルネットワークアーキテクチャの開発と、データセットの全体的重要性をほとんど無視するトレーニング戦略である。 その目的のために、以前公開された地球観測のためのAIに関するレビュー記事によって無視された多くのタスク固有のデータセットが作成されている。 この記事では、視点を変え、地球観測データとアプリケーション専用の機械学習データセットをスポットライトに入れたいと思っています。 歴史的発展のレビューに基づき、現在利用可能な資源を概説し、今後の発展への展望を定めている。 我々は、我々のデータの性質が、画像データに深層学習技術を適用する他の多くのコミュニティと地球観測コミュニティを区別するものであり、EOデータの特異性に関する詳細な理解が、我々の規律の中核的な能力である、という理解に貢献することを望んでいる。

関連論文リスト

• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• Deep Learning for Spatiotemporal Big Data: A Vision on Opportunities and Challenges [4.497634148674422]
  一時的ビッグデータは、これまで不可能だった問題を解決する新たな機会を育むことができる。 ビッグデータの特徴は、ディープラーニング技術に新たな課題をもたらす。
  論文  参考訳（メタデータ） (2023-10-30T19:12:51Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Towards Data-centric Graph Machine Learning: Review and Outlook [120.64417630324378]
  データ中心グラフ機械学習(DC-GML)という,グラフデータライフサイクルのすべての段階を包含する体系的なフレームワークを導入する。 各段階の完全な分類法が示され、3つの重要なグラフ中心の質問に答える。 我々は、DC-GMLドメインの将来展望を指摘し、その進歩と応用をナビゲートするための洞察を提供する。
  論文  参考訳（メタデータ） (2023-09-20T00:40:13Z)
• Data-centric Artificial Intelligence: A Survey [47.24049907785989]
  近年、AIにおけるデータの役割は大幅に拡大し、データ中心AIという新たな概念が生まれた。 本稿では,データ中心型AIの必要性について論じ,続いて3つの一般的なデータ中心型目標の全体像を考察する。 これは、データライフサイクルのさまざまな段階にわたるタスクのグローバルなビューを提供する、初めての総合的な調査である、と私たちは信じています。
  論文  参考訳（メタデータ） (2023-03-17T17:44:56Z)
• Data-centric AI: Perspectives and Challenges [51.70828802140165]
  データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。 データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
  論文  参考訳（メタデータ） (2023-01-12T05:28:59Z)
• Big Earth Data and Machine Learning for Sustainable and Resilient Agriculture [0.0]
  この論文は、我々の時代の高品質でオープンな地球観測データによって提供される前例のない機会を認識している。 持続的で回復力のある農業のためのアプリケーションを開発するために、機械学習とビッグデータメソッドを導入している。
  論文  参考訳（メタデータ） (2022-11-22T20:58:54Z)
• On The State of Data In Computer Vision: Human Annotations Remain Indispensable for Developing Deep Learning Models [0.0]
  高品質ラベル付きデータセットは機械学習(ML)の発展に重要な役割を果たす 2012年にImageNetデータセットとAlexNetモデルが登場して以来、新しいオープンソースのラベル付きビジョンデータセットのサイズはほぼ一定である。 コンピュータビジョンコミュニティの少数の出版物は、Imagenetよりも桁違いの大きさのデータセットの教師付き学習に取り組む。
  論文  参考訳（メタデータ） (2021-07-31T00:08:21Z)
• REGRAD: A Large-Scale Relational Grasp Dataset for Safe and Object-Specific Robotic Grasping in Clutter [52.117388513480435]
  本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。 データセットは2D画像と3Dポイントクラウドの両方で収集されます。 ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
  論文  参考訳（メタデータ） (2021-04-29T05:31:21Z)
• Machine Learning Information Fusion in Earth Observation: A Comprehensive Review of Methods, Applications and Data Sources [0.0]
  本稿では,地球観測における問題に対する機械学習(ML)技術に基づく最も重要な情報融合アルゴリズムについて概説する。 データ駆動アプローチ、特にML技術は、このデータルージュから重要な情報を抽出する自然な選択である。
  論文  参考訳（メタデータ） (2020-12-07T13:35:08Z)

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。