論文の概要: Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint
Extraction from LiDAR Data with Limited Annotations
- arxiv url: http://arxiv.org/abs/2311.01188v1
- Date: Thu, 2 Nov 2023 12:34:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 13:50:28.772087
- Title: Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint
Extraction from LiDAR Data with Limited Annotations
- Title（参考訳）: Terrin-Informed Self-Supervised Learning:限定アノテーションによるLiDARデータからのフットプリント抽出の強化
- Authors: Anuja Vats, David V\"olgyes, Martijn Vermeer, Marius Pedersen, Kiran
Raja, Daniele S.M.Fantin and Jacob Alexander Hay
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.3813797867560693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating building footprint maps from geospatial data is of paramount
importance in urban planning, development, disaster management, and various
other applications. Deep learning methodologies have gained prominence in
building segmentation maps, offering the promise of precise footprint
extraction without extensive post-processing. However, these methods face
challenges in generalization and label efficiency, particularly in remote
sensing, where obtaining accurate labels can be both expensive and
time-consuming. To address these challenges, we propose terrain-aware
self-supervised learning, tailored to remote sensing, using digital elevation
models from LiDAR data. We propose to learn a model to differentiate between
bare Earth and superimposed structures enabling the network to implicitly learn
domain-relevant features without the need for extensive pixel-level
annotations. We test the effectiveness of our approach by evaluating building
segmentation performance on test datasets with varying label fractions.
Remarkably, with only 1% of the labels (equivalent to 25 labeled examples), our
method improves over ImageNet pre-training, showing the advantage of leveraging
unlabeled data for feature extraction in the domain of remote sensing. The
performance improvement is more pronounced in few-shot scenarios and gradually
closes the gap with ImageNet pre-training as the label fraction increases. We
test on a dataset characterized by substantial distribution shifts and labeling
errors to demonstrate the generalizability of our approach. When compared to
other baselines, including ImageNet pretraining and more complex architectures,
our approach consistently performs better, demonstrating the efficiency and
effectiveness of self-supervised terrain-aware feature learning.
- Abstract（参考訳）: 地理空間データから建築フットプリントマップを推定することは、都市計画、開発、災害管理、その他様々な用途において最重要となる。
ディープラーニング手法はセグメンテーションマップの構築において注目され、広範な後処理なしに正確なフットプリント抽出を約束している。
しかし、これらの手法は、特にリモートセンシングにおいて、正確なラベルを得るのに高価かつ時間を要するような一般化とラベル効率の課題に直面している。
これらの課題に対処するために,LiDARデータからのデジタル標高モデルを用いて,リモートセンシングに適した地形認識型自己教師学習を提案する。
我々は,裸地と重畳構造を区別するモデルを学習し,ピクセルレベルのアノテーションを使わずに暗黙的にドメイン関連機能を学習できるようにする。
ラベルの異なるテストデータセット上でのセグメンテーション性能を評価することにより,提案手法の有効性を検証する。
注目すべきは、ラベルのわずか1%(25のラベル付き例に相当する)で、この手法はImageNet事前学習よりも改善され、リモートセンシングの領域における特徴抽出にラベル付きデータを活用する利点が示される。
少数のシナリオではパフォーマンス改善がより顕著になり、ラベル分数の増加に伴ってimagenetの事前トレーニングによるギャップが徐々に狭まる。
我々は,本手法の一般化可能性を示すために,かなりの分布シフトとラベル付け誤差を特徴とするデータセットをテストする。
imagenetプリトレーニングやより複雑なアーキテクチャなど、他のベースラインと比較すると、我々のアプローチは一貫してパフォーマンスが向上し、自己教師付き地形認識機能学習の効率と有効性が示されます。
関連論文リスト
- SiamSeg: Self-Training with Contrastive Learning for Unsupervised Domain Adaptation Semantic Segmentation in Remote Sensing [14.007392647145448]
UDAは、ラベル付きソースドメインデータをトレーニングしながら、ラベルなしのターゲットドメインデータからモデルを学習することを可能にする。
コントラスト学習を UDA に統合し,セマンティック情報を取得する能力を向上させることを提案する。
我々のSimSegメソッドは既存の手法より優れ、最先端の結果が得られます。
論文 参考訳（メタデータ） (2024-10-17T11:59:39Z) - Adaptive Masking Enhances Visual Grounding [12.793586888511978]
ローショット学習シナリオにおける語彙接地を改善するために,ガウス放射変調を用いた画像解釈型マスキングを提案する。
我々はCOCOやODinWを含むベンチマークデータセットに対するアプローチの有効性を評価し、ゼロショットタスクや少数ショットタスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-04T05:48:02Z) - Task Specific Pretraining with Noisy Labels for Remote Sensing Image Segmentation [18.598405597933752]
自己監督(Self-supervision)は、人造地理空間アノテーションの正確な量を減らすためのリモートセンシングツールを提供する。
本研究では,モデル事前学習のためのノイズの多いセマンティックセグメンテーションマップを提案する。
2つのデータセットから,ノイズラベルを用いたタスク固有教師付き事前学習の有効性が示唆された。
論文 参考訳（メタデータ） (2024-02-25T18:01:42Z) - 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) - Evaluating the Label Efficiency of Contrastive Self-Supervised Learning
for Multi-Resolution Satellite Imagery [0.0]
遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。
本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
論文 参考訳（メタデータ） (2022-10-13T06:54:13Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳（メタデータ） (2021-12-31T10:03:47Z) - Clustering augmented Self-Supervised Learning: Anapplication to Land
Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。
社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文 参考訳（メタデータ） (2021-08-16T19:35:43Z) - Geography-Aware Self-Supervised Learning [79.4009241781968]
異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。
本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-11-19T17:29:13Z) - Naive-Student: Leveraging Semi-Supervised Learning in Video Sequences
for Urban Scene Segmentation [57.68890534164427]
本研究では,未ラベル映像シーケンスと追加画像の半教師付き学習を利用して,都市景観セグメンテーションの性能を向上させることができるかどうかを問う。
我々は単にラベルのないデータに対して擬似ラベルを予測し、人間の注釈付きデータと擬似ラベル付きデータの両方でその後のモデルを訓練する。
我々のNaive-Studentモデルは、このような単純で効果的な反復的半教師付き学習で訓練され、3つのCityscapesベンチマークで最先端の結果を得る。
論文 参考訳（メタデータ） (2020-05-20T18:00:05Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z) - Improving Semantic Segmentation via Self-Training [75.07114899941095]
半教師付きアプローチ,特に自己学習パラダイムを用いて,最先端の成果を得ることができることを示す。
まず、ラベル付きデータに基づいて教師モデルを訓練し、次にラベルなしデータの大規模なセット上で擬似ラベルを生成する。
私たちの堅牢なトレーニングフレームワークは、人名と擬似ラベルを共同で消化し、Cityscapes、CamVid、KITTIデータセット上で最高のパフォーマンスを達成することができます。
論文 参考訳（メタデータ） (2020-04-30T17:09:17Z)
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。