論文の概要: EarthLoc: Astronaut Photography Localization by Indexing Earth from Space

• arxiv url: http://arxiv.org/abs/2403.06758v1
• Date: Mon, 11 Mar 2024 14:30:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 18:57:02.102045
• Title: EarthLoc: Astronaut Photography Localization by Indexing Earth from Space
• Title（参考訳）: EarthLoc: 宇宙から地球をインデクシングする宇宙写真
• Authors: Gabriele Berton, Alex Stoken, Barbara Caputo, Carlo Masone
• Abstract要約: 宇宙飛行士の写真は、科学研究と災害対応の両方に非常に価値のある、ユニークな地球観測データセットを提示する。 現在の手動のローカライゼーションの取り組みは時間がかかり、自動化されたソリューションの必要性を動機付けている。 本稿では,この課題を効果的に解決するために,画像検索を活用した新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 22.398824732314015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Astronaut photography, spanning six decades of human spaceflight, presents a unique Earth observations dataset with immense value for both scientific research and disaster response. Despite its significance, accurately localizing the geographical extent of these images, crucial for effective utilization, poses substantial challenges. Current manual localization efforts are time-consuming, motivating the need for automated solutions. We propose a novel approach - leveraging image retrieval - to address this challenge efficiently. We introduce innovative training techniques, including Year-Wise Data Augmentation and a Neutral-Aware Multi-Similarity Loss, which contribute to the development of a high-performance model, EarthLoc. We develop six evaluation datasets and perform a comprehensive benchmark comparing EarthLoc to existing methods, showcasing its superior efficiency and accuracy. Our approach marks a significant advancement in automating the localization of astronaut photography, which will help bridge a critical gap in Earth observations data. Code and datasets are available at https://github.com/gmberton/EarthLoc
• Abstract（参考訳）: 人類の宇宙飛行の60年にわたる宇宙写真は、科学研究と災害対応の両方に非常に価値のある独自の地球観測データセットを提示している。 その重要性にもかかわらず、これらの画像の地理的範囲を正確にローカライズすることは効果的な利用に不可欠であり、大きな課題となっている。 現在の手動ローカライズ作業は時間を要する作業であり、自動化ソリューションの必要性を動機付けている。 本稿では,この課題を効果的に解決するために,画像検索を活用した新しいアプローチを提案する。 我々は,高パフォーマンスモデルである EarthLoc の開発に寄与する,Year-Wise Data Augmentation や Neutral-Aware Multi-Similarity Loss など,革新的なトレーニング手法を導入する。 6つの評価データセットを開発し,既存の手法と比較した総合ベンチマークを行い,その優れた効率と精度を示す。 弊社のアプローチは、宇宙飛行士の写真のローカライゼーションを自動化し、地球観測データの重大なギャップを埋めるのに役立ちます。 コードとデータセットはhttps://github.com/gmberton/EarthLocで入手できる。

関連論文リスト

• EarthMatch: Iterative Coregistration for Fine-grained Localization of Astronaut Photography [18.978718859476267]
  本研究では,宇宙飛行士の写真の微粒化を再現する,反復的ホモグラフィー推定手法であるEarthMatchを提案する。 提案手法の有効性をこのデータセットで証明し,画像マーカ比較のための新しい公正な方法を提案する。 われわれの方法では、45万枚の地球の写真の高速かつ正確なローカライズが可能になります。
  論文  参考訳（メタデータ） (2024-05-08T20:46:36Z)
• GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization [61.10806364001535]
  世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。 既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。 画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-09-27T20:54:56Z)
• 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)
• 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
  本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。 本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
  論文  参考訳（メタデータ） (2022-07-13T16:40:02Z)
• Earthformer: Exploring Space-Time Transformers for Earth System Forecasting [27.60569643222878]
  本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。 Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。 降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2022-07-12T20:52:26Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• 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)
• Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
  火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。 高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。 また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-12T12:52:20Z)
• A Spacecraft Dataset for Detection, Segmentation and Parts Recognition [42.27081423489484]
  本稿では,宇宙船検出,インスタンスのセグメンテーション,部分認識のためのデータセットをリリースする。 この研究の主な貢献は、宇宙ステーションと衛星の画像を用いたデータセットの開発である。 また、データセットのベンチマークとして、オブジェクト検出やインスタンスセグメンテーションにおける最先端の手法による評価も提供する。
  論文  参考訳（メタデータ） (2021-06-15T14:36:56Z)
• 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)

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。