論文の概要: Learning county from pixels: Corn yield prediction with attention-weighted multiple instance learning

• arxiv url: http://arxiv.org/abs/2312.01001v1
• Date: Sat, 2 Dec 2023 02:09:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 19:53:10.594618
• Title: Learning county from pixels: Corn yield prediction with attention-weighted multiple instance learning
• Title（参考訳）: 画素からの学習:注目重み付き複数インスタンス学習によるコーン収量予測
• Authors: Xiaoyu Wang, Yuchi Ma, Qunying Huang, Zhengwei Yang, Zhou Zhang
• Abstract要約: 本研究は,各郡をピクセルレベルで調査し,各郡内の詳細な情報を活用するために複数のインスタンス学習を適用した。 さらに,提案手法は,特徴データセットと作物マスクとの一貫性のない分解による「混合画素」問題に対処する。 開発されたモデルは、過去5年間で米国のコーンベルトで、他の4つの機械学習モデルを上回っている。
• 参考スコア（独自算出の注目度）: 9.197839904683537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing technology has become a promising tool in yield prediction. Most prior work employs satellite imagery for county-level corn yield prediction by spatially aggregating all pixels within a county into a single value, potentially overlooking the detailed information and valuable insights offered by more granular data. To this end, this research examines each county at the pixel level and applies multiple instance learning to leverage detailed information within a county. In addition, our method addresses the "mixed pixel" issue caused by the inconsistent resolution between feature datasets and crop mask, which may introduce noise into the model and therefore hinder accurate yield prediction. Specifically, the attention mechanism is employed to automatically assign weights to different pixels, which can mitigate the influence of mixed pixels. The experimental results show that the developed model outperforms four other machine learning models over the past five years in the U.S. corn belt and demonstrates its best performance in 2022, achieving a coefficient of determination (R2) value of 0.84 and a root mean square error (RMSE) of 0.83. This paper demonstrates the advantages of our approach from both spatial and temporal perspectives. Furthermore, through an in-depth study of the relationship between mixed pixels and attention, it is verified that our approach can capture critical feature information while filtering out noise from mixed pixels.
• Abstract（参考訳）: リモートセンシング技術は、収量予測において有望なツールとなっている。 以前の研究では、郡内の全てのピクセルを1つの値に空間的に集約することで、郡レベルのトウモロコシ収量予測のために衛星画像を採用しており、より詳細なデータによって提供される詳細な情報と貴重な洞察を見逃す可能性がある。 そこで本研究では,各郡をピクセルレベルで調査し,各郡内の詳細な情報を活用するために複数のインスタンス学習を適用した。 さらに,本手法では,モデルにノイズを生じさせる可能性のある特徴データセットとクロップマスク間の不整合分解に起因する「混合画素」問題に対処し,正確な収率予測を阻害する。 具体的には、異なる画素に自動的に重みを割り当てることにより、混合画素の影響を軽減する。 実験の結果,米国トウモロコシベルトでは過去5年間に開発したモデルが他の4つの機械学習モデルよりも優れ,2022年に最高の性能を示し,0.84の係数 (r2) と0.83の根平均二乗誤差 (rmse) を達成した。 本稿では,空間的視点と時間的視点の両方からアプローチの利点を示す。 さらに,混合画素と注意の関係を深く検討することにより,混合画素からのノイズをフィルタリングしながら,重要な特徴情報を捉えることが可能であることを検証した。

関連論文リスト

• Superpixel Cost Volume Excitation for Stereo Matching [27.757112234793624]
  本研究では,スーパーピクセルソフト制約を組み込んだステレオマッチングの本質的な局所的整合性に着目する。 提案手法は,隣接する画素が同一物体に属することが前提とされ,スーパーピクセルの確率体積内によく似た強度を示す。
  論文  参考訳（メタデータ） (2024-11-20T07:59:55Z)
• PixRO: Pixel-Distributed Rotational Odometry with Gaussian Belief Propagation [8.049531918823758]
  本稿では,フレーム間回転推定の課題に対処する。 フレーム間の相対的な動きをフルイメージで推論する代わりに、ピクセルレベルで推定を分散する。 このパラダイムでは、各ピクセルは、局所的な情報と近隣のピクセルとの局所的なメッセージパッシングにのみ依存することで、グローバルな動きを推定する。
  論文  参考訳（メタデータ） (2024-06-14T05:28:45Z)
• Semi-supervised Counting via Pixel-by-pixel Density Distribution Modelling [135.66138766927716]
  本稿では,トレーニングデータのごく一部をラベル付けした半教師付き群集カウントに着目した。 我々は1つの決定論的値ではなく、確率分布として回帰するためにピクセル単位の密度値を定式化する。 本手法は,様々なラベル付き比率設定の下で,競争相手よりも明らかに優れる。
  論文  参考訳（メタデータ） (2024-02-23T12:48:02Z)
• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• Superpixels algorithms through network community detection [0.0]
  コミュニティ検出は複雑なネットワーク分析の強力なツールであり、様々な研究分野の応用を見出すことができる。 スーパーピクセルは、可能な限りオリジナル情報を保存しながら、画像をより小さなレベルで表現することを目的としている。 4つの連結画素グラフ上で,最先端のコミュニティ検出アルゴリズムによって計算されたスーパーピクセルの効率について検討した。
  論文  参考訳（メタデータ） (2023-08-27T13:13:28Z)
• Image Processing and Machine Learning for Hyperspectral Unmixing: An Overview and the HySUPP Python Package [80.11512905623417]
  アンミキシングは、ピクセル内のエンドメンバーの分数量を推定する。 本稿では,先進的および従来型のアンミックス手法の概要について述べる。 シミュレーションされた3つのデータセットと2つの実際のデータセット上でのアンミックス手法の性能を比較した。
  論文  参考訳（メタデータ） (2023-08-18T08:10:41Z)
• Improving Pixel-Level Contrastive Learning by Leveraging Exogenous Depth Information [7.561849435043042]
  近年,コントラスト学習(CL)に基づく自己指導型表現学習が注目されている。 本稿では,深度ネットワークを用いたり,利用可能なデータから測定したりすることで得られる深度情報に焦点を当てる。 比較損失におけるこの推定情報を用いることで、結果が改善され、学習された表現がオブジェクトの形状に従うのがよいことを示す。
  論文  参考訳（メタデータ） (2022-11-18T11:45:39Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
  データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。 Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。 実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-21T19:08:23Z)
• ITSELF: Iterative Saliency Estimation fLexible Framework [68.8204255655161]
  機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。 我々は,ユーザ定義の仮定をモデルに追加できる,スーパーピクセルベースのITELF(ITSELF)を提案する。 ITSELFを5つのメトリクスと6つのデータセットで2つの最先端の精度推定器と比較する。
  論文  参考訳（メタデータ） (2020-06-30T16:51:31Z)

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。