論文の概要: Biological Valuation Map of Flanders: A Sentinel-2 Imagery Analysis
- arxiv url: http://arxiv.org/abs/2401.15223v1
- Date: Fri, 26 Jan 2024 22:21:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 19:24:48.481923
- Title: Biological Valuation Map of Flanders: A Sentinel-2 Imagery Analysis
- Title（参考訳）: フランダースの生物学的評価マップ:センチネル2画像解析
- Authors: Mingshi Li, Dusan Grujicic, Steven De Saeger, Stien Heremans, Ben
Somers, Matthew B. Blaschko
- Abstract要約: 我々は、センチネル2衛星画像と組み合わせたフランダースの高密度なラベル付き地上真理マップを提示する。
提案手法は,地形図のレイアウトである「Kaartbladversnijdingen」と,詳細なセマンティックセグメンテーションモデルトレーニングパイプラインを利用する,形式化されたデータセット分割とサンプリング手法を含む。
- 参考スコア（独自算出の注目度）: 12.025312586542318
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, machine learning has become crucial in remote sensing
analysis, particularly in the domain of Land-use/Land-cover (LULC). The synergy
of machine learning and satellite imagery analysis has demonstrated significant
productivity in this field, as evidenced by several studies. A notable
challenge within this area is the semantic segmentation mapping of land usage
over extensive territories, where the accessibility of accurate land-use data
and the reliability of ground truth land-use labels pose significant
difficulties. For example, providing a detailed and accurate pixel-wise labeled
dataset of the Flanders region, a first-level administrative division of
Belgium, can be particularly insightful. Yet there is a notable lack of
regulated, formalized datasets and workflows for such studies in many regions
globally. This paper introduces a comprehensive approach to addressing these
gaps. We present a densely labeled ground truth map of Flanders paired with
Sentinel-2 satellite imagery. Our methodology includes a formalized dataset
division and sampling method, utilizing the topographic map layout
'Kaartbladversnijdingen,' and a detailed semantic segmentation model training
pipeline. Preliminary benchmarking results are also provided to demonstrate the
efficacy of our approach.
- Abstract（参考訳）: 近年,特に土地利用・土地被覆(lulc)領域において,リモートセンシング解析において機械学習が重要になっている。
機械学習と衛星画像分析のシナジーは、いくつかの研究で示されているように、この分野でかなりの生産性を示している。
この領域における顕著な課題は、正確な土地利用データのアクセシビリティと土地利用ラベルの信頼性が重大な困難を生じさせる広い領域における土地利用のセグメンテーションマッピングである。
例えば、ベルギーの一級行政区画であるフランダース地域の詳細なピクセル単位のラベル付きデータセットを提供することは、特に洞察力に富む。
しかし、多くの地域でこのような研究のために、規制された正式なデータセットやワークフローが著しく欠落している。
本稿では,これらのギャップに対処するための包括的アプローチを提案する。
本研究では,sentinel-2衛星画像と組み合わせたフランダースの接地真理マップを提案する。
本手法は,地形図レイアウト「kaartbladversnijdingen」と詳細な意味セグメンテーションモデルトレーニングパイプラインを用いた,形式化されたデータセット分割・サンプリング手法を含む。
また,本手法の有効性を示すための予備ベンチマーク結果も提供する。
関連論文リスト
- 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) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - 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) - Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint Extraction from LiDAR Data with Limited Annotations [1.3243401820948064]
フットプリントマップの構築は、広範な後処理なしで正確なフットプリント抽出を約束する。
ディープラーニング手法は、一般化とラベルの効率の面で課題に直面している。
リモートセンシングに適した地形認識型自己教師型学習を提案する。
論文 参考訳（メタデータ） (2023-11-02T12:34:23Z) - Knowledge distillation with Segment Anything (SAM) model for Planetary
Geological Mapping [0.7266531288894184]
本稿では,迅速なアノテーションと迅速な適応性を実現するための素早い基礎モデルの有効性を示す。
主要な結果は、知識蒸留を使用することで、手動アノテーションのドメインの専門家が必要とする労力を大幅に削減できることを示唆している。
このアプローチは、火星の地形を自動的に検出し、セグメンテーションすることで、地球外発見を加速する可能性がある。
論文 参考訳（メタデータ） (2023-05-12T16:30:58Z) - A Coarse-to-Fine Approach for Urban Land Use Mapping Based on
Multisource Geospatial Data [4.2968261363970095]
本稿では,パーセルレベルの都市土地利用マッピングのための機械学習に基づくアプローチを提案する。
まず、道路網から生成された区画に基づいて、都市をビルトアップと非ビルトアップに分割する。
次に,異なる地域におけるパーセルの分類戦略を採用し,最終的に分類結果を統合された土地利用地図に組み合わせた。
論文 参考訳（メタデータ） (2022-08-18T13:30:56Z) - 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) - Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文 参考訳（メタデータ） (2021-12-02T17:10:52Z) - Attention-augmented Spatio-Temporal Segmentation for Land Cover Mapping [9.992909929182202]
衛星データの空間的および時間的性質を共同利用するために、UNet構造と双方向LSTMおよび注意メカニズムを組み込んだ新しいアーキテクチャを紹介します。
世界中の複数地域で作物をマッピングする手法の評価を行った。
論文 参考訳（メタデータ） (2021-05-02T05:39:42Z) - Semi-Supervised Semantic Segmentation in Earth Observation: The
MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。
MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。
外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
論文 参考訳（メタデータ） (2020-10-15T15:36:58Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z)
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。