論文の概要: AdaTreeFormer: Few Shot Domain Adaptation for Tree Counting from a
Single High-Resolution Image
- arxiv url: http://arxiv.org/abs/2402.02956v1
- Date: Mon, 5 Feb 2024 12:34:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 16:23:44.080406
- Title: AdaTreeFormer: Few Shot Domain Adaptation for Tree Counting from a
Single High-Resolution Image
- Title(参考訳): AdaTreeFormer: 単一高解像度画像からの樹木数に対するショット領域適応
- Authors: Hamed Amini Amirkolaee, Miaojing Shi, Lianghua He, and Mark Mulligan
- Abstract要約: 本稿では,十分なラベル付き木を用いてソースドメインから学習し,限られたラベル付き木数で対象ドメインに適応するフレームワークを提案する。
我々は,AdaTreeFormerとして,階層的な特徴抽出方式を備えた共有エンコーダを1つ含み,ソースとターゲットドメインからロバストな特徴を抽出する。
また、ソースドメインとターゲットドメインからそれぞれ自己ドメインアテンションマップを抽出する2と、クロスドメインアテンションマップを抽出する1の3つで構成されている。
- 参考スコア(独自算出の注目度): 11.649568595318307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The process of estimating and counting tree density using only a single
aerial or satellite image is a difficult task in the fields of photogrammetry
and remote sensing. However, it plays a crucial role in the management of
forests. The huge variety of trees in varied topography severely hinders tree
counting models to perform well. The purpose of this paper is to propose a
framework that is learnt from the source domain with sufficient labeled trees
and is adapted to the target domain with only a limited number of labeled
trees. Our method, termed as AdaTreeFormer, contains one shared encoder with a
hierarchical feature extraction scheme to extract robust features from the
source and target domains. It also consists of three subnets: two for
extracting self-domain attention maps from source and target domains
respectively and one for extracting cross-domain attention maps. For the
latter, an attention-to-adapt mechanism is introduced to distill relevant
information from different domains while generating tree density maps; a
hierarchical cross-domain feature alignment scheme is proposed that
progressively aligns the features from the source and target domains. We also
adopt adversarial learning into the framework to further reduce the gap between
source and target domains. Our AdaTreeFormer is evaluated on six designed
domain adaptation tasks using three tree counting datasets, ie Jiangsu,
Yosemite, and London; and outperforms the state of the art methods
significantly.
- Abstract(参考訳): 写真測量やリモートセンシングの分野において、単一の空中画像や衛星画像のみを用いて樹木密度を推定・計数する処理は難しい課題である。
しかし、森林管理において重要な役割を担っている。
様々な地形の多種多様な木は、樹木の計数モデルがうまく機能することを著しく妨げている。
本研究の目的は、十分なラベル付きツリーを持つソースドメインから学習し、限られた数のラベル付きツリーでターゲットドメインに適応するフレームワークを提案することである。
我々の手法はAdaTreeFormerと呼ばれ、ソースとターゲットドメインからロバストな特徴を抽出する階層的特徴抽出方式を備えた1つの共有エンコーダを含んでいる。
また、ソースドメインとターゲットドメインから自己ドメイン注意マップを抽出するサブネットと、クロスドメイン注意マップを抽出するサブネットの3つで構成されている。
後者では,木密度マップの生成中に異なるドメインから関連情報を抽出するアテンション・ツー・アダプティブ・メカニズムを導入し,ソース・ターゲット領域の特徴を段階的に整列する階層的クロスドメイン特徴アライメントスキームを提案する。
我々はまた、ソースドメインとターゲットドメインのギャップをさらに減らすために、フレームワークに敵対的学習を取り入れています。
我々のAdaTreeFormerは,3つの木数データセットであるie Jiangsu,Yosemite,Londonを用いて,設計済みのドメイン適応タスクを6つ評価し,その性能を著しく向上させる。
関連論文リスト
- Tree Counting by Bridging 3D Point Clouds with Imagery [31.02816235514385]
2次元リモートセンシング画像は、主に高層キャノピーを示すが、密集したキャノピーを持つ地域では、個々の木の分化が容易ではない。
我々は,3次元LiDAR測定と2次元画像の融合を利用して,正確な木数計測を行う。
我々は,3次元空中LiDARデータと2次元画像を用いて,森林内の木を数える深層学習手法の比較を行った。
論文 参考訳(メタデータ) (2024-03-04T11:02:17Z) - Benchmarking Individual Tree Mapping with Sub-meter Imagery [6.907098367807166]
我々は,任意の物理的環境において,個々の木マッピングに適した評価フレームワークを提案する。
異なるアプローチと深いアーキテクチャをレビューし比較し、セグメンテーションと検出のよい妥協であることを示す新しい手法を実験的に導入する。
論文 参考訳(メタデータ) (2023-11-14T08:21:36Z) - Multi-field Visualisation via Trait-induced Merge Trees [3.7332349900024013]
属性空間で定義された特性の概念は、特徴レベルセットフレームワークで導入されたものと同じである。
属性空間における結果の距離場は、トポロジカルデータ解析の入力となる空間領域におけるスカラー場を誘導する。
提案手法は、異なるアスペクトのハイライトを可能にする、ツリーに対する異なるクエリメソッドを含む。
論文 参考訳(メタデータ) (2023-08-17T14:40:48Z) - TreeFormer: a Semi-Supervised Transformer-based Framework for Tree
Counting from a Single High Resolution Image [6.789370732159176]
単一空中・衛星画像を用いた木密度推定と推定は,光度測定とリモートセンシングにおいて難しい課題である。
リモートセンシング画像に対する高価なツリーアノテーションを低減させる,ツリーカウントのための最初の半教師付きトランスフォーマーベースのフレームワークを提案する。
我々のモデルは、JiosuとYosemiteという2つのベンチマークツリーカウントデータセットと、彼ら自身が作成した新しいデータセットKCL-Londonで評価された。
論文 参考訳(メタデータ) (2023-07-12T12:19:36Z) - Geometry-Aware Network for Domain Adaptive Semantic Segmentation [64.00345743710653]
本稿では,ドメイン間のギャップを小さくするために,ドメイン適応のための幾何学的ネットワーク(GANDA)を提案する。
我々は、RGB-D画像から生成された点雲上の3Dトポロジを利用して、対象領域における座標色歪みと擬似ラベルの微細化を行う。
我々のモデルは,GTA5->CityscapesとSynTHIA->Cityscapesの最先端技術より優れている。
論文 参考訳(メタデータ) (2022-12-02T00:48:44Z) - Cross Domain Object Detection by Target-Perceived Dual Branch
Distillation [49.68119030818388]
クロスドメインオブジェクト検出は、現実的で挑戦的なタスクです。
本稿では,TDD(Target-perceived Dual-branch Distillation)フレームワークを提案する。
私たちのTDDは、すべてのベンチマークで最先端のメソッドよりも大幅に優れています。
論文 参考訳(メタデータ) (2022-05-03T03:51:32Z) - Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。
計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
論文 参考訳(メタデータ) (2021-12-16T11:09:29Z) - Disentangled Unsupervised Image Translation via Restricted Information
Flow [61.44666983942965]
多くの最先端のメソッドは、所望の共有vs固有の分割をアーキテクチャにハードコードする。
帰納的アーキテクチャバイアスに依存しない新しい手法を提案する。
提案手法は,2つの合成データセットと1つの自然なデータセットに対して一貫した高い操作精度を実現する。
論文 参考訳(メタデータ) (2021-11-26T00:27:54Z) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-06-30T03:17:20Z) - Give Me Your Trained Model: Domain Adaptive Semantic Segmentation
without Source Data [63.60200857555127]
対象ドメインにトレーニングされたソースモデルのみを提供するクロスドメインセマンティックセマンティックセマンティクスタスクを提案する。
具体的には、DAS$3$は3つのスキーム、すなわち特徴アライメント、自己学習、情報伝達から構成される。
ドメイン間および都市間駆動データセットの大規模な結果により、ソースデータへのアクセスを必要とするメソッドと同等のDAS$3$が検証される。
論文 参考訳(メタデータ) (2021-06-22T10:21:39Z) - Multi-task fully convolutional network for tree species mapping in dense
forests using small training hyperspectral data [0.9646880519252493]
本研究は、密林における樹木種マッピングのためのマルチタスク完全畳み込みアーキテクチャを提案する。
本モデルでは, 木の意味的ラベル付け結果の高密度化を可能にする部分的損失関数を実装した。
ツリークラウン境界制約を強制する距離回帰補完タスクは、モデル性能を大幅に改善する。
論文 参考訳(メタデータ) (2021-06-01T21:10:10Z)
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。