論文の概要: Explainable AI for Earth Observation: Current Methods, Open Challenges, and Opportunities

• arxiv url: http://arxiv.org/abs/2311.04491v1
• Date: Wed, 8 Nov 2023 06:48:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-09 17:08:23.853168
• Title: Explainable AI for Earth Observation: Current Methods, Open Challenges, and Opportunities
• Title（参考訳）: 地球観測のための説明可能なAI:現在の方法、オープンチャレンジ、機会
• Authors: Gulsen Taskin, Erchan Aptoula, Alp Ert\"urk
• Abstract要約: この章は、説明可能なリモートセンシング画像解析における最先端のパノラマを提示する。 深層学習は、地球観測のためのリモートセンシングを含む、データ分析に関わるすべての分野を嵐によって取り除かれた。
• 参考スコア（独自算出の注目度）: 5.770351255180493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has taken by storm all fields involved in data analysis, including remote sensing for Earth observation. However, despite significant advances in terms of performance, its lack of explainability and interpretability, inherent to neural networks in general since their inception, remains a major source of criticism. Hence it comes as no surprise that the expansion of deep learning methods in remote sensing is being accompanied by increasingly intensive efforts oriented towards addressing this drawback through the exploration of a wide spectrum of Explainable Artificial Intelligence techniques. This chapter, organized according to prominent Earth observation application fields, presents a panorama of the state-of-the-art in explainable remote sensing image analysis.
• Abstract（参考訳）: 深層学習は、地球観測のためのリモートセンシングを含む、データ分析に関わるすべての分野を嵐によって取り除かれた。 しかし、性能面での大幅な進歩にもかかわらず、その説明可能性や解釈可能性の欠如は一般にニューラルネットワークに固有のものであり、現在でも主要な批判の源となっている。 したがって、リモートセンシングにおける深層学習の手法が拡張され、説明可能な人工知能の幅広い分野を探索することで、この欠点に対処する努力がますます集中化しつつあることは驚きではない。 本章は,著名な地球観測応用分野に従って整理され,遠隔センシング画像解析における最先端のパノラマを提示する。

関連論文リスト

• Deep Learning Meets OBIA: Tasks, Challenges, Strategies, and Perspectives [8.11184750121407]
  深層学習は、特にピクセルレベルのアプリケーションやパッチレベルのアプリケーションにおいて、リモートセンシングにおいて大きな注目を集めている。 深層学習をオブジェクトベース画像解析(OBIA)に統合しようという試みは最初はあったが、その潜在能力は未解明のままである。
  論文  参考訳（メタデータ） (2024-08-02T23:54:02Z)
• Opening the Black-Box: A Systematic Review on Explainable AI in Remote Sensing [51.524108608250074]
  ブラックボックス機械学習アプローチは、リモートセンシングにおける知識抽出における主要なモデリングパラダイムとなっている。 我々は、この分野における重要なトレンドを特定するための体系的なレビューを行い、新しい説明可能なAIアプローチに光を当てた。 また,課題と将来的な研究方向性について,より詳細な展望を述べる。
  論文  参考訳（メタデータ） (2024-02-21T13:19:58Z)
• There Are No Data Like More Data- Datasets for Deep Learning in Earth Observation [6.839093061382966]
  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。
  論文  参考訳（メタデータ） (2023-10-30T02:19:16Z)
• A Survey on Transferability of Adversarial Examples across Deep Neural Networks [53.04734042366312]
  逆の例では、機械学習モデルを操作して誤った予測を行うことができます。 敵の例の転送可能性により、ターゲットモデルの詳細な知識を回避できるブラックボックス攻撃が可能となる。 本研究は, 対角移動可能性の展望を考察した。
  論文  参考訳（メタデータ） (2023-10-26T17:45:26Z)
• Assessing Exoplanet Habitability through Data-driven Approaches: A Comprehensive Literature Review [0.0]
  レビューは、太陽系外惑星研究における新たなトレンドと進歩を照らすことを目的としている。 太陽系外惑星の検出、分類、可視化の相互作用に焦点を当てる。 太陽系外惑星研究で使用される機械学習アプローチの幅広いスペクトルを記述する。
  論文  参考訳（メタデータ） (2023-05-18T17:18:15Z)
• Deep Learning to See: Towards New Foundations of Computer Vision [88.69805848302266]
  この本はコンピュータビジョンの分野における科学的進歩を批判している。 情報に基づく自然法則の枠組みにおける視覚の研究を提案する。
  論文  参考訳（メタデータ） (2022-06-30T15:20:36Z)
• Towards a Collective Agenda on AI for Earth Science Data Analysis [39.78763440312085]
  我々は、研究者、特に若い世代に、リモートセンシングと地球科学の真の進歩のためにこれらの課題に取り組むように促すことを目指している。 地球科学に関するAIの宣言では、研究者、特に若い世代がリモートセンシングと地球科学の真の進歩のためにこれらの課題に取り組むよう促すことを目指しています。
  論文  参考訳（メタデータ） (2021-04-11T20:54:44Z)
• Optimism in the Face of Adversity: Understanding and Improving Deep Learning through Adversarial Robustness [63.627760598441796]
  深層学習における対角的強靭性の分野を詳細に検討する。 直感的な対向例と深層ニューラルネットワークの幾何学的関係を強調した。 セキュリティを超えた敵の堅牢性の主な応用について概説する。
  論文  参考訳（メタデータ） (2020-10-19T16:03:46Z)
• Distilled Semantics for Comprehensive Scene Understanding from Videos [53.49501208503774]
  本稿では,一眼レフカメラによる全体像の理解に向けて,セマンティクスとともに深度や動きを学習し,さらなる一歩を踏み出した。 これら3つの課題を,知識蒸留と自己監督に基づく新たなトレーニングプロトコルによって共同で解決する。 その結果, 単眼深度推定, 光流, モーションセグメンテーションの最先端結果が得られた。
  論文  参考訳（メタデータ） (2020-03-31T08:52:13Z)
• Learning Depth With Very Sparse Supervision [57.911425589947314]
  本稿では, 環境との相互作用を通じて, 知覚が世界の3次元特性と結合するという考えを考察する。 我々は、環境と対話するロボットが利用できるような、特殊なグローバルローカルネットワークアーキテクチャを訓練する。 いくつかのデータセットの実験では、画像ピクセルの1つでも基底真理が利用できる場合、提案されたネットワークは、最先端のアプローチよりも22.5%の精度でモノクロの深度推定を学習できることを示している。
  論文  参考訳（メタデータ） (2020-03-02T10:44:13Z)

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。