論文の概要: Enhancing crop classification accuracy by synthetic SAR-Optical data
generation using deep learning
- arxiv url: http://arxiv.org/abs/2402.02121v1
- Date: Sat, 3 Feb 2024 11:07:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 22:04:34.190064
- Title: Enhancing crop classification accuracy by synthetic SAR-Optical data
generation using deep learning
- Title（参考訳）: ディープラーニングを用いた合成SAR-Opticalデータ生成による作物分類精度の向上
- Authors: Ali Mirzaei, Hossein Bagheri, and Iman Khosravi
- Abstract要約: 農業地域では、優占作物は典型的には1種または2種であり、他の作物は少ない。
農作物の地図を作成するためにトレーニングサンプルを集める際には、支配的な作物からのサンプルが多数存在し、多数派を形成している。
提案手法は, マイノリティクラスにおけるサンプル数を大幅に増加させることができる, 高品質な合成データを生成することを実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Crop classification using remote sensing data has emerged as a prominent
research area in recent decades. Studies have demonstrated that fusing SAR and
optical images can significantly enhance the accuracy of classification.
However, a major challenge in this field is the limited availability of
training data, which adversely affects the performance of classifiers. In
agricultural regions, the dominant crops typically consist of one or two
specific types, while other crops are scarce. Consequently, when collecting
training samples to create a map of agricultural products, there is an
abundance of samples from the dominant crops, forming the majority classes.
Conversely, samples from other crops are scarce, representing the minority
classes. Addressing this issue requires overcoming several challenges and
weaknesses associated with traditional data generation methods. These methods
have been employed to tackle the imbalanced nature of the training data.
Nevertheless, they still face limitations in effectively handling the minority
classes. Overall, the issue of inadequate training data, particularly for
minority classes, remains a hurdle that traditional methods struggle to
overcome. In this research, We explore the effectiveness of conditional tabular
generative adversarial network (CTGAN) as a synthetic data generation method
based on a deep learning network, in addressing the challenge of limited
training data for minority classes in crop classification using the fusion of
SAR-optical data. Our findings demonstrate that the proposed method generates
synthetic data with higher quality that can significantly increase the number
of samples for minority classes leading to better performance of crop
classifiers.
- Abstract（参考訳）: 近年,リモートセンシングデータを用いた作物分類が研究分野として注目されている。
SARと光学画像の融合は分類の精度を大幅に向上させることを示した。
しかし、この分野での大きな課題は、分類器の性能に悪影響を及ぼす訓練データの可用性の制限である。
農業地域では、優占作物は典型的には1種または2種であり、他の作物は少ない。
そのため、農作物の地図を作成するためにトレーニングサンプルを収集する場合、優占作物からのサンプルが多数存在し、多数派を形成している。
逆に、他の作物からのサンプルは少なく、少数派を代表している。
この問題に対処するには、従来のデータ生成メソッドに関連するいくつかの課題と弱点を克服する必要がある。
これらの手法はトレーニングデータの不均衡な性質に対処するために用いられている。
それでもなお、少数派階級を効果的に扱う上での限界に直面している。
全体として、不適切なトレーニングデータ、特にマイノリティクラスの問題は、従来の方法が克服に苦慮しているハードルである。
本研究では,SAR-光データの融合による作物分類におけるマイノリティクラスに対する限定的な訓練データの課題に対処するために,ディープラーニングネットワークに基づく合成データ生成手法として,条件付き表層生成逆数ネットワーク(CTGAN)の有効性を検討する。
その結果,提案手法は品質の高い合成データを生成し,マイノリティクラスのサンプル数を著しく増加させ,作物分類器の性能向上に繋がることがわかった。
関連論文リスト
- Hyperspectral Imaging-Based Grain Quality Assessment With Limited Labelled Data [2.4797200957733576]
ハイパースペクトルイメージング(HSI)と少数ショット学習技術を用いた粒質評価の新しい手法を提案する。
HSIは、空間情報とスペクトル情報の両方をキャプチャすることで、非侵襲的でリアルタイムな代替手段を提供する。
まず,訓練中に見られた粒型の分類と,第2に目に見えない粒型への一般化の2つのシナリオにおいて,少数ショット分類器の性能を評価した。
論文 参考訳（メタデータ） (2024-11-17T01:02:18Z) - Granularity Matters in Long-Tail Learning [62.30734737735273]
より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。
既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。
補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
論文 参考訳（メタデータ） (2024-10-21T13:06:21Z) - Artificial Data Point Generation in Clustered Latent Space for Small
Medical Datasets [4.542616945567623]
本稿では,クラスタ化潜在空間(AGCL)における人工データポイント生成手法を提案する。
AGCLは、合成データ生成により、小さな医療データセットの分類性能を向上させるように設計されている。
顔の表情データを利用してパーキンソン病検診に応用した。
論文 参考訳（メタデータ） (2024-09-26T09:51:08Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳（メタデータ） (2023-03-21T03:15:29Z) - Generative models-based data labeling for deep networks regression:
application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。
従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。
マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-09T09:06:51Z) - Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。
実験結果から,これらの手法が直面する課題を分析した。
本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文 参考訳（メタデータ） (2022-03-23T07:33:37Z) - Imbalanced Classification via Explicit Gradient Learning From Augmented
Data [0.0]
本稿では、与えられた不均衡なデータセットを新しいマイノリティインスタンスに拡張する、新しい深層メタラーニング手法を提案する。
提案手法の利点は, 種々の不均衡比を持つ合成および実世界のデータセット上で実証される。
論文 参考訳（メタデータ） (2022-02-21T22:16:50Z) - Imbalanced Data Learning by Minority Class Augmentation using Capsule
Adversarial Networks [31.073558420480964]
本稿では,2つの同時手法を合体させて,不均衡な画像のバランスを回復する手法を提案する。
我々のモデルでは、生成的および識別的ネットワークは、新しい競争力のあるゲームをする。
カプセルGANの合体は、畳み込みGANと比較して非常に少ないパラメータで重なり合うクラスを認識するのに効果的である。
論文 参考訳（メタデータ） (2020-04-05T12:36:06Z) - M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。
本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。
提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
論文 参考訳（メタデータ） (2020-04-01T13:21:17Z) - Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。
合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
論文 参考訳（メタデータ） (2020-03-30T02:43:16Z)
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。