論文の概要: Cross Domain Early Crop Mapping using CropGAN and CNN Classifier
- arxiv url: http://arxiv.org/abs/2401.07398v1
- Date: Mon, 15 Jan 2024 00:27:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 18:18:58.913959
- Title: Cross Domain Early Crop Mapping using CropGAN and CNN Classifier
- Title(参考訳): CropGANとCNN分類器を用いたクロスドメイン初期クロックマッピング
- Authors: Yiqun Wang, Hui Huang, Radu State
- Abstract要約: 機械学習のアプローチは、高解像度の作物栽培マップを生成するために推進されている。
これらのアプローチで直面する大きな課題の1つは、基底真理ラベルの可用性の制限である。
本稿では、上記のクロスドメイン問題に対処するため、Crop Generative Adrial Network(CropGAN)を提案する。
- 参考スコア(独自算出の注目度): 13.79222472931577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driven by abundant satellite imagery, machine learning-based approaches have
recently been promoted to generate high-resolution crop cultivation maps to
support many agricultural applications. One of the major challenges faced by
these approaches is the limited availability of ground truth labels. In the
absence of ground truth, existing work usually adopts the "direct transfer
strategy" that trains a classifier using historical labels collected from other
regions and then applies the trained model to the target region. Unfortunately,
the spectral features of crops exhibit inter-region and inter-annual
variability due to changes in soil composition, climate conditions, and crop
progress, the resultant models perform poorly on new and unseen regions or
years. This paper presents the Crop Generative Adversarial Network (CropGAN) to
address the above cross-domain issue. Our approach does not need labels from
the target domain. Instead, it learns a mapping function to transform the
spectral features of the target domain to the source domain (with labels) while
preserving their local structure. The classifier trained by the source domain
data can be directly applied to the transformed data to produce high-accuracy
early crop maps of the target domain. Comprehensive experiments across various
regions and years demonstrate the benefits and effectiveness of the proposed
approach. Compared with the widely adopted direct transfer strategy, the F1
score after applying the proposed CropGAN is improved by 13.13% - 50.98%
- Abstract(参考訳): 豊富な衛星画像により、機械学習ベースのアプローチは、多くの農業アプリケーションをサポートするために、高解像度の作物栽培マップを作成するために推進されている。
これらのアプローチで直面する大きな課題の1つは、基底真理ラベルの可用性の制限である。
地上の真実がなければ、既存の作業では、他の地域から収集した履歴ラベルを使って分類器を訓練し、訓練されたモデルを対象地域に適用する「ダイレクトトランスファー戦略」が採用される。
不幸なことに、作物のスペクトル特性は土壌組成の変化、気候条件、作物の進行によって、地域間および年々変動を示し、その結果、新しくて目に見えない地域や年数では性能が低下する。
本稿では、上記のクロスドメイン問題に対処するため、Crop Generative Adversarial Network(CropGAN)を提案する。
私たちのアプローチでは、ターゲットドメインのラベルは不要です。
代わりに、ターゲットドメインのスペクトル特徴を(ラベル付き)ソースドメインに変換するマッピング関数を学習し、ローカルな構造を保持します。
ソースドメインデータによって訓練された分類器は変換データに直接適用でき、ターゲットドメインの高精度な初期作物マップを生成することができる。
提案手法のメリットと有効性を示すため,各地域および年次にわたる総合実験を行った。
広く採用されているダイレクトトランスファー戦略と比較すると,提案したクロプGANの適用後のF1スコアは13.13%~50.98%向上している。
関連論文リスト
- Domain Generalization for Crop Segmentation with Knowledge Distillation [45.478315855371385]
サービスロボティクスは精密農業において主要な役割を担っている。
移動ロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムを必要としている。
本稿では,知識蒸留を用いた領域一般化手法を提案する。
論文 参考訳(メタデータ) (2023-04-03T14:28:29Z) - Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。
CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。
ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
論文 参考訳(メタデータ) (2022-12-07T14:12:34Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - Domain-Adversarial Training of Self-Attention Based Networks for Land
Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery [0.0]
ほとんどの実用的なアプリケーションはラベル付きデータには依存せず、この分野では調査は時間のかかるソリューションである。
本稿では,異なる地理的領域間のドメイン不一致を橋渡しする深層ニューラルネットワークの対比訓練について検討する。
論文 参考訳(メタデータ) (2021-04-01T15:45:17Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳(メタデータ) (2020-12-04T14:28:19Z) - Discriminative Cross-Domain Feature Learning for Partial Domain
Adaptation [70.45936509510528]
部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。
ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。
ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
論文 参考訳(メタデータ) (2020-08-26T03:18:53Z) - Physically-Constrained Transfer Learning through Shared Abundance Space
for Hyperspectral Image Classification [14.840925517957258]
本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。
提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
論文 参考訳(メタデータ) (2020-08-19T17:41:37Z) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳(メタデータ) (2020-03-23T13:40:06Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-03-04T23:25:09Z)
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。