論文の概要: FoMo-Bench: a multi-modal, multi-scale and multi-task Forest Monitoring
Benchmark for remote sensing foundation models
- arxiv url: http://arxiv.org/abs/2312.10114v1
- Date: Fri, 15 Dec 2023 09:49:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 18:38:08.329817
- Title: FoMo-Bench: a multi-modal, multi-scale and multi-task Forest Monitoring
Benchmark for remote sensing foundation models
- Title(参考訳): FoMo-Bench:リモートセンシング基礎モデルのためのマルチモーダル・マルチスケール・マルチタスク森林モニタリングベンチマーク
- Authors: Nikolaos Ioannis Bountos, Arthur Ouaknine, David Rolnick
- Abstract要約: 第1回森林モニタリングベンチマーク(FoMo-Bench)について紹介する。
FoMo-Benchは、衛星、航空、在庫データを含む15の多様なデータセットで構成されている。
FoMo-Benchで表されるタスクや地理の多様性をさらに高めるため、我々は新しいグローバルデータセットであるTalloSを紹介した。
- 参考スコア(独自算出の注目度): 27.132562845328493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forests are an essential part of Earth's ecosystems and natural systems, as
well as providing services on which humanity depends, yet they are rapidly
changing as a result of land use decisions and climate change. Understanding
and mitigating negative effects requires parsing data on forests at global
scale from a broad array of sensory modalities, and recently many such problems
have been approached using machine learning algorithms for remote sensing. To
date, forest-monitoring problems have largely been approached in isolation.
Inspired by the rise of foundation models for computer vision and remote
sensing, we here present the first unified Forest Monitoring Benchmark
(FoMo-Bench). FoMo-Bench consists of 15 diverse datasets encompassing
satellite, aerial, and inventory data, covering a variety of geographical
regions, and including multispectral, red-green-blue, synthetic aperture radar
(SAR) and LiDAR data with various temporal, spatial and spectral resolutions.
FoMo-Bench includes multiple types of forest-monitoring tasks, spanning
classification, segmentation, and object detection. To further enhance the
diversity of tasks and geographies represented in FoMo-Bench, we introduce a
novel global dataset, TalloS, combining satellite imagery with ground-based
annotations for tree species classification, spanning 1,000+ hierarchical
taxonomic levels (species, genus, family). Finally, we propose FoMo-Net, a
foundation model baseline designed for forest monitoring with the flexibility
to process any combination of commonly used sensors in remote sensing. This
work aims to inspire research collaborations between machine learning and
forest biology researchers in exploring scalable multi-modal and multi-task
models for forest monitoring. All code and data will be made publicly
available.
- Abstract(参考訳): 森林は地球の生態系や自然システムの重要な部分であり、人類が依存するサービスを提供しているが、土地利用の決定と気候変動によって急速に変化している。
負の効果の理解と緩和には、広範囲の感覚モーダルから世界規模で森林のデータを解析する必要があるが、近年、リモートセンシングのための機械学習アルゴリズムを用いて多くの問題にアプローチされている。
これまで,森林モニタリングの課題は孤立的に解決されてきた。
コンピュータビジョンとリモートセンシングの基礎モデルの発展に触発されて,我々はFoMo-Bench(フォレストモニタリングベンチマーク)を初めて紹介する。
FoMo-Benchは、衛星、航空、在庫データを含む15の多様なデータセットで構成され、多スペクトル、赤緑色、合成開口レーダ(SAR)およびLiDARデータを含む様々な地理的領域をカバーする。
FoMo-Benchには、複数のタイプの森林モニタリングタスク、スパンニング分類、セグメンテーション、オブジェクト検出が含まれている。
さらに,FoMo-Benchで表されるタスクや地理の多様性を高めるため,衛星画像と樹木分類の地上アノテーションを組み合わせた新しいグローバルデータセットTalloSを導入し,1000以上の階層的な分類レベル(種,属,科)にまたがる。
最後にfomo-netを提案する。fomo-netは森林モニタリング用に設計された基礎モデルベースラインで、リモートセンシングで一般的に使用されるセンサーの組み合わせを処理できる柔軟性を備える。
本研究は,森林モニタリングのためのスケーラブルなマルチモーダルおよびマルチタスクモデルの検討において,機械学習と森林生物学研究者のコラボレーションを刺激することを目的としている。
すべてのコードとデータは公開される予定だ。
関連論文リスト
- MTMMC: A Large-Scale Real-World Multi-Modal Camera Tracking Benchmark [63.878793340338035]
マルチターゲットマルチカメラトラッキングは、複数のカメラからのビデオストリームを使用して個人を特定し、追跡する重要なタスクである。
このタスクの既存のデータセットは、制御されたカメラネットワーク設定内で合成または人工的に構築される。
我々は16台のマルチモーダルカメラで2つの異なる環境でキャプチャされた長いビデオシーケンスを含む実世界の大規模データセットであるMTMMCを紹介する。
論文 参考訳(メタデータ) (2024-03-29T15:08:37Z) - Forest Inspection Dataset for Aerial Semantic Segmentation and Depth
Estimation [6.635604919499181]
森林調査のための大規模航空データセットを新たに導入する。
現実世界と仮想的な自然環境の記録も含んでいる。
地域の森林破壊度を評価するための枠組みを開発する。
論文 参考訳(メタデータ) (2024-03-11T11:26:44Z) - LiveHPS: LiDAR-based Scene-level Human Pose and Shape Estimation in Free
Environment [59.320414108383055]
シーンレベルの人間のポーズと形状推定のための単一LiDARに基づく新しいアプローチであるLiveHPSを提案する。
多様な人間のポーズを伴う様々なシナリオで収集される巨大な人間の動きデータセットFreeMotionを提案する。
論文 参考訳(メタデータ) (2024-02-27T03:08:44Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳(メタデータ) (2023-11-02T02:00:27Z) - OpenForest: A data catalogue for machine learning in forest monitoring [22.94664416295411]
森林モニタリングの促進は、人間の影響を緩和し、森林構成の理解を深める上での利点である。
空間規模で86のオープンアクセス森林データセットの概要を概観する。
これらのデータセットは、すべての利用可能なオープンアクセスフォレストデータセットを参照しようとするコントリビューションにオープンな動的カタログであるOpenForestにグループ化されている。
論文 参考訳(メタデータ) (2023-11-01T03:59:20Z) - Rapid Deforestation and Burned Area Detection using Deep Multimodal
Learning on Satellite Imagery [3.8073142980733]
アマゾンの森林における森林破壊の推定と火災検出は、広大な面積のために大きな課題となっている。
マルチモーダル衛星画像とリモートセンシングは、アマゾン地域の森林破壊を推定し、山火事を検出するための有望なソリューションを提供する。
本研究では、畳み込みニューラルネットワーク(CNN)と包括的データ処理技術を用いて、これらの問題を解決するための新しいキュレートデータセットとディープラーニングベースのアプローチを提案する。
論文 参考訳(メタデータ) (2023-07-10T21:49:30Z) - Bird Distribution Modelling using Remote Sensing and Citizen Science
data [31.375576105932442]
気候変動は生物多様性の喪失の主要な要因である。
種の分布には大きな知識ギャップがある。
本稿では,コンピュータビジョンを利用した種分散モデルの改良手法を提案する。
論文 参考訳(メタデータ) (2023-05-01T20:27:11Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳(メタデータ) (2022-11-04T09:58:57Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳(メタデータ) (2022-08-23T16:04:12Z) - Multiple-environment Self-adaptive Network for Aerial-view
Geo-localization [85.52750931345287]
航空ビューのジオローカライゼーションは、ドローンビュー画像とジオタグの衛星ビュー画像とをマッチングすることにより、未知の位置を決定する傾向がある。
本研究では,環境変化に伴う領域シフトを調整するために,マルチ環境自己適応ネットワーク(MuSe-Net)を提案する。
特に、MuSe-Netは、1つの多重環境スタイル抽出ネットワークと1つの自己適応的特徴抽出ネットワークを含む2分岐ニューラルネットワークを使用している。
論文 参考訳(メタデータ) (2022-04-18T16:04:29Z) - Meta-Learning for Few-Shot Land Cover Classification [3.8529010979482123]
分類タスクとセグメンテーションタスクにおけるモデル非依存メタラーニング(MAML)アルゴリズムの評価を行った。
数発のモデル適応は,正規勾配降下による事前学習よりも優れていた。
これは、メタラーニングによるモデル最適化が地球科学におけるタスクの恩恵をもたらすことを示唆している。
論文 参考訳(メタデータ) (2020-04-28T09:42:41Z)
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。