Fugu-MT 論文翻訳(概要): Submeter-level Land Cover Mapping of Japan

論文の概要: Submeter-level Land Cover Mapping of Japan

arxiv url: http://arxiv.org/abs/2311.11252v1
Date: Sun, 19 Nov 2023 06:34:50 GMT
ステータス: 処理完了
システム内更新日: 2023-11-21 21:21:34.102244
Title: Submeter-level Land Cover Mapping of Japan
Title（参考訳）: 日本のサブメーターレベルの土地被覆マッピング
Authors: Naoto Yokoya, Junshi Xia, Clifford Broni-Bediako
Abstract要約: 本報告では,日本初の8級地すべりマップについて,比較的低いアノテーションコストで紹介する。我々は OpenEarthMap を利用した人間のループ内深層学習フレームワークを提案する。本フレームワークは, アノテーションコストが低く, 高精度な地図作成が可能であり, 全国規模の土地被覆地図の自動更新に寄与する可能性を実証している。
参考スコア（独自算出の注目度）: 14.9235490098836
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Deep learning has shown promising performance in submeter-level mapping tasks; however, the annotation cost of submeter-level imagery remains a challenge, especially when applied on a large scale. In this paper, we present the first submeter-level land cover mapping of Japan with eight classes, at a relatively low annotation cost. We introduce a human-in-the-loop deep learning framework leveraging OpenEarthMap, a recently introduced benchmark dataset for global submeter-level land cover mapping, with a U-Net model that achieves national-scale mapping with a small amount of additional labeled data. By adding a small amount of labeled data of areas or regions where a U-Net model trained on OpenEarthMap clearly failed and retraining the model, an overall accuracy of 80\% was achieved, which is a nearly 16 percentage point improvement after retraining. Using aerial imagery provided by the Geospatial Information Authority of Japan, we create land cover classification maps of eight classes for the entire country of Japan. Our framework, with its low annotation cost and high-accuracy mapping results, demonstrates the potential to contribute to the automatic updating of national-scale land cover mapping using submeter-level optical remote sensing data. The mapping results will be made publicly available.
Abstract（参考訳）: ディープラーニングは、サブメーターレベルのマッピングタスクにおいて有望なパフォーマンスを示しているが、特に大規模に適用する場合、サブメーターレベルの画像のアノテーションコストは依然として課題である。本稿では,日本初の8階級の土地被覆図を,比較的低いアノテーションコストで提示する。最近導入されたグローバルサブメーターレベルの土地被覆マッピングのベンチマークデータセットであるOpenEarthMapと,少量のラベル付きデータによる全国規模の地図を実現するU-Netモデルを導入した。 OpenEarthMapでトレーニングされたU-Netモデルが明らかに失敗し、モデルを再トレーニングする領域や領域のラベル付きデータを少量追加することで、全体の精度が80%向上し、再トレーニング後の16パーセント近くの改善が達成された。地理空間情報機関(Geospatial Information Authority of Japan)が提供する航空画像を用いて,全国8クラスの土地被覆分類地図を作成する。提案手法は, アノテーションコストの低減と高精度マッピングの結果から, サブメータレベルの光リモートセンシングデータを用いた全国規模の土地被覆マッピングの自動更新に寄与する可能性を実証する。地図の結果は公開される予定だ。

関連論文リスト

Automated National Urban Map Extraction [0.3495246564946556]
発展途上国は通常、国家の屋上地図を作成し、定期的に更新する適切な統治手段を欠いている。従来のフォトグラメトリと測量手法を用いて、このギャップを埋めて、そのような都市地図を自動で取得するパイプラインを提案することができる。本稿では,多層建物のインスタンスセグメンテーションのための完全畳み込みニューラルネットワークのパワーを活用して,高いオブジェクトワイド精度を実現することを目的とする。我々は、この作業を再現し、グローバル・サウスの適切な都市計画を欠いた地域で目撃された密集したスラム地帯で、非常に正確な結果を得るためのすべてのエンジニアリング手順を詳述する。
論文参考訳（メタデータ） (2024-04-09T10:47:43Z)
Mapping High-level Semantic Regions in Indoor Environments without Object Recognition [50.624970503498226]
本研究では,屋内環境における埋め込みナビゲーションによる意味領域マッピング手法を提案する。地域識別を実現するために,視覚言語モデルを用いて地図作成のためのシーン情報を提供する。グローバルなフレームにエゴセントリックなシーン理解を投影することにより、提案手法は各場所の可能な領域ラベル上の分布としてのセマンティックマップを生成する。
論文参考訳（メタデータ） (2024-03-11T18:09:50Z)
Learning without Exact Guidance: Updating Large-scale High-resolution Land Cover Maps from Low-resolution Historical Labels [4.833320222969612]
大規模な高解像度(HR)の土地被覆マッピングは、地球の表面を調査し、人類が直面する多くの課題を解決するための重要な課題である。本研究では,大規模人事地被覆地図作成のための効率的かつ弱教師付きフレームワーク(Paraformer)を提案する。
論文参考訳（メタデータ） (2024-03-05T08:02:00Z)
HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文参考訳（メタデータ） (2023-08-23T11:03:28Z)
OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover Mapping [15.419052489797775]
OpenEarthMapは、グローバルな高解像度土地被覆マッピングのためのベンチマークデータセットである。 6大陸44か国から97の地域をカバーしている5000の航空画像と衛星画像の2200万部で構成されている。
論文参考訳（メタデータ） (2022-10-19T17:20:16Z)
L2G: A Simple Local-to-Global Knowledge Transfer Framework for Weakly Supervised Semantic Segmentation [67.26984058377435]
高品質なオブジェクトアテンションマイニングのための簡易なローカル・グローバルな知識伝達フレームワークであるL2Gについて述べる。本フレームワークは,グローバルな視点から収集したリッチオブジェクトの詳細知識をグローバルネットワークで学習する。実験の結果,PASCAL VOC 2012とMS COCO 2014の検証セットにおいて,72.1%,44.2%のmIoU値が得られた。
論文参考訳（メタデータ） (2022-04-07T04:31:32Z)
Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。提案手法による事前学習では, 25%の絶対mIoUが得られた。学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文参考訳（メタデータ） (2022-03-11T16:14:14Z)
OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文参考訳（メタデータ） (2020-07-13T09:58:14Z)
Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文参考訳（メタデータ） (2020-06-09T12:35:55Z)
Very High Resolution Land Cover Mapping of Urban Areas at Global Scale with Convolutional Neural Networks [0.0]
本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
論文参考訳（メタデータ） (2020-05-12T10:03:20Z)
Segmentation of Satellite Imagery using U-Net Models for Land Cover Classification [2.28438857884398]
本稿では,衛星画像に基づく土地被覆分類マップを作成するために,U-Net構造を改良した畳み込み機械学習モデルを用いた。本研究の目的は、自動土地被覆マッピングのための畳み込みモデルの訓練と試験を行い、土地被覆マッピングの精度向上と変更検出における使用性を評価することである。
論文参考訳（メタデータ） (2020-03-05T20:07:48Z)

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。