論文の概要: Mission Critical -- Satellite Data is a Distinct Modality in Machine
Learning
- arxiv url: http://arxiv.org/abs/2402.01444v1
- Date: Fri, 2 Feb 2024 14:36:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 15:04:53.169194
- Title: Mission Critical -- Satellite Data is a Distinct Modality in Machine
Learning
- Title(参考訳): ミッションクリティカル -- 衛星データは機械学習において異なるモダリティである
- Authors: Esther Rolf, Konstantin Klemmer, Caleb Robinson, Hannah Kerner
- Abstract要約: 衛星データには、機械学習に地震的な変化をもたらす可能性がある。
我々は、衛星データが機械学習研究の明確なモダリティとなっていると論じる。
- 参考スコア(独自算出の注目度): 14.375949319802338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellite data has the potential to inspire a seismic shift for machine
learning -- one in which we rethink existing practices designed for traditional
data modalities. As machine learning for satellite data (SatML) gains traction
for its real-world impact, our field is at a crossroads. We can either continue
applying ill-suited approaches, or we can initiate a new research agenda that
centers around the unique characteristics and challenges of satellite data.
This position paper argues that satellite data constitutes a distinct modality
for machine learning research and that we must recognize it as such to advance
the quality and impact of SatML research across theory, methods, and
deployment. We outline critical discussion questions and actionable suggestions
to transform SatML from merely an intriguing application area to a dedicated
research discipline that helps move the needle on big challenges for machine
learning and society.
- Abstract(参考訳): 衛星データには、機械学習の耐震変化を引き起こす可能性があり、従来のデータモダリティのために設計された既存のプラクティスを再考する。
サテライトデータ(SatML)の機械学習は、現実世界の影響で勢いを増し、私たちの分野はクロスロードにあります。
我々は、不適切なアプローチを継続するか、衛星データの特徴と課題に焦点を絞った新たな研究アジェンダを開始することができる。
本稿では,サテライトデータは機械学習研究の異なるモダリティであり,理論,手法,展開におけるsatml研究の質と影響を前進させるものとして認識する必要があることを論じる。
我々は,satmlを単なる興味をそそる応用分野から,機械学習と社会の大きな課題に取り組むための専門的な研究分野へ転換するための,重要な議論質問と行動可能な提案について概説する。
関連論文リスト
- Deep Learning for Spatiotemporal Big Data: A Vision on Opportunities and
Challenges [4.497634148674422]
一時的ビッグデータは、これまで不可能だった問題を解決する新たな機会を育むことができる。
ビッグデータの特徴は、ディープラーニング技術に新たな課題をもたらす。
論文 参考訳(メタデータ) (2023-10-30T19:12:51Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳(メタデータ) (2023-09-01T19:29:53Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳(メタデータ) (2022-09-28T18:51:59Z) - Towards Bridging the Space Domain Gap for Satellite Pose Estimation
using Event Sensing [35.467052373502575]
イベントセンシングは、スターク照明の違いの下で、シミュレーションからターゲットドメインへの一般化を期待できるソリューションを提供する。
我々の主な貢献は、合成データに基づいて純粋に訓練されたイベントベースの衛星ポーズ推定技術である。
その結果,適応のない合成データのみを訓練した事象に基づく衛星ポーズ推定法が,対象領域に効果的に一般化できることが示唆された。
論文 参考訳(メタデータ) (2022-09-24T07:22:09Z) - Towards On-Board Panoptic Segmentation of Multispectral Satellite Images [41.34294145237618]
マルチスペクトル衛星画像の単眼分割のための軽量パイプラインを提案する。
パノプティカル・セグメンテーションは、農地からの収量推定から複雑な軍事用途のための知性まで、主要な経済・環境の洞察を提供する。
本評価は,既存の最先端モデルと比較して精度が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-04-05T03:10:39Z) - 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) - SustainBench: Benchmarks for Monitoring the Sustainable Development
Goals with Machine Learning [63.192289553021816]
国連持続可能な開発目標の進展は、主要な環境・社会経済指標のデータ不足によって妨げられている。
近年の機械学習の進歩により、衛星やソーシャルメディアなど、豊富な、頻繁に更新され、グローバルに利用可能なデータを活用することが可能になった。
本稿では,7個のSDGにまたがる15個のベンチマークタスクの集合であるSustainBenchを紹介する。
論文 参考訳(メタデータ) (2021-11-08T18:59:04Z) - Towards Realistic Single-Task Continuous Learning Research for NER [19.61159414320659]
本稿では、公開データセットの非現実的なデータ特性について論じ、現実的な単一タスク連続学習の課題について考察する。
我々は、既存の公開データセットからCL NERデータセットを構築し、コードとともに研究コミュニティにリリースする。
論文 参考訳(メタデータ) (2021-10-27T18:23:31Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳(メタデータ) (2020-10-22T17:49:25Z) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳(メタデータ) (2020-07-27T17:46:59Z) - Attentive Weakly Supervised land cover mapping for object-based
satellite image time series data with spatial interpretation [4.549831511476249]
本稿では,粗粒度ラベルの弱さをインテリジェントに活用できる,TASSELという新しいディープラーニングフレームワークを提案する。
私たちのフレームワークは、ブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。
論文 参考訳(メタデータ) (2020-04-30T10:23:12Z)
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。