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/2312.10114v2
- Date: Wed, 27 Mar 2024 09:00:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 22:23:24.221964
- 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）: 24.141443217910986
- 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 addressed 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, encompassing 1,000+ categories across multiple hierarchical taxonomic levels (species, genus, family). Finally, we propose FoMo-Net, a baseline foundation model with the capacity to process any combination of commonly used spectral bands in remote sensing, across diverse ground sampling distances and geographical locations worldwide. 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、土地利用の決定や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、そのような問題に多くのアプローチがなされている。
これまで、森林モニタリングの問題は、主に孤立して対処されてきた。
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(FoMo-Bench)を初めて統合したフォレストモニタリングベンチマーク(FoMo-Bench)を紹介した。
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。
また,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に,衛星画像と木種分類のため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であるTalloSを導入し,複数の階層的な分類レベル(種,属,科)に1,000以上のカテゴリを包含した。
最後に,FoMo-Netを提案する。FoMo-Netは,リモートセンシングにおいて広く使用されるスペクトル帯域の組み合わせを,世界中の多様な地中サンプリング距離と地理的位置で処理できる基盤モデルである。
この研究は、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モデルとマルチタスクモデルを探索するために、機械学習と森林生物学研究者の協力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ます。
関連論文リスト
- Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。
モチベーションと背景の概要から始まり、続いて基本概念が導入された。
我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
論文 参考訳（メタデータ） (2024-10-22T01:08:21Z) - Soil nitrogen forecasting from environmental variables provided by multisensor remote sensing images [0.0]
本研究では、リモートセンシング画像や機械学習手法を含むマルチモーダルデータを活用することにより、土壌窒素含量を予測するためのフレームワークを提案する。
我々は、ヨーロッパとイギリスの領域をカバーするLand Use/Land Cover Area Frame Survey (LUCAS)データベースと、衛星センサーからの環境変数を統合し、新しい特徴のデータセットを作成する。
農耕地や草地など,様々な土地被覆クラスで提案手法を検証し,このアプローチの堅牢性を確保する。
論文 参考訳（メタデータ） (2024-06-14T08:10:44Z) - Towards Vision-Language Geo-Foundation Model: A Survey [65.70547895998541]
Vision-Language Foundation Models (VLFMs) は、様々なマルチモーダルタスクにおいて顕著な進歩を遂げている。
本稿では, VLGFMを網羅的にレビューし, この分野の最近の展開を要約し, 分析する。
論文 参考訳（メタデータ） (2024-06-13T17:57:30Z) - Planted: a dataset for planted forest identification from multi-satellite time series [23.822292894884427]
森林プランテーションの認識のための5つの公共衛星のデータと,世界中の植林木種のデータからなるデータセットについて述べる。
PlantDという名前のデータセットには、41か国に分布する64種の木ラベルクラス(46属40種)の2M以上のサンプルが含まれている。
論文 参考訳（メタデータ） (2024-05-24T15:49:00Z) - 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 [21.005174521192675]
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) - 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)
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。