論文の概要: A Parallel Workflow for Polar Sea-Ice Classification using Auto-labeling of Sentinel-2 Imagery
- arxiv url: http://arxiv.org/abs/2403.13135v1
- Date: Tue, 19 Mar 2024 20:10:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 18:47:08.611306
- Title: A Parallel Workflow for Polar Sea-Ice Classification using Auto-labeling of Sentinel-2 Imagery
- Title（参考訳）: センチネル2画像の自動ラベリングによる極海氷分類のための並列ワークフロー
- Authors: Jurdana Masuma Iqrah, Wei Wang, Hongjie Xie, Sushil Prasad,
- Abstract要約: 本研究は, 極海氷をセンチネル2画像で分類する, 堅牢で効果的でスケーラブルなシステムを開発することを目的とする。
1つの大きな障害は、基礎となる真実として振る舞うためのラベル付きS2トレーニングデータ(イメージ)がないことである。
そこで本研究では,S2画像のセグメンテーションと自動ラベル付けを行う,スケーラブルで高精度な手法を提案する。
- 参考スコア（独自算出の注目度）: 3.0635300721402228
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The observation of the advancing and retreating pattern of polar sea ice cover stands as a vital indicator of global warming. This research aims to develop a robust, effective, and scalable system for classifying polar sea ice as thick/snow-covered, young/thin, or open water using Sentinel-2 (S2) images. Since the S2 satellite is actively capturing high-resolution imagery over the earth's surface, there are lots of images that need to be classified. One major obstacle is the absence of labeled S2 training data (images) to act as the ground truth. We demonstrate a scalable and accurate method for segmenting and automatically labeling S2 images using carefully determined color thresholds. We employ a parallel workflow using PySpark to scale and achieve 9-fold data loading and 16-fold map-reduce speedup on auto-labeling S2 images based on thin cloud and shadow-filtered color-based segmentation to generate label data. The auto-labeled data generated from this process are then employed to train a U-Net machine learning model, resulting in good classification accuracy. As training the U-Net classification model is computationally heavy and time-consuming, we distribute the U-Net model training to scale it over 8 GPUs using the Horovod framework over a DGX cluster with a 7.21x speedup without affecting the accuracy of the model. Using the Antarctic's Ross Sea region as an example, the U-Net model trained on auto-labeled data achieves a classification accuracy of 98.97% for auto-labeled training datasets when the thin clouds and shadows from the S2 images are filtered out.
- Abstract（参考訳）: 北極海氷の進行・後退パターンの観測は地球温暖化の重要な指標である。
本研究の目的は, 極海氷を, 厚い, 雪に覆われた, 薄い, 開いている水として, センチネル2 (S2) 画像を用いて分類する, 堅牢で効果的でスケーラブルなシステムを開発することである。
S2衛星は地表の高解像度画像を積極的に捉えているため、分類する必要がある画像はたくさんある。
1つの大きな障害は、基礎となる真実として振る舞うためのラベル付きS2トレーニングデータ(イメージ)がないことである。
そこで本研究では,S2画像のセグメンテーションと自動ラベル付けを行う,スケーラブルで高精度な手法を提案する。
我々は、PySparkを使って9倍のデータロードを実現し、16倍のマップ・リデュース・スピードアップを、薄いクラウドとシャドウフィルタによるカラー・セグメンテーションに基づいて実現し、ラベルデータを生成する。
このプロセスから生成された自動ラベル付きデータは、U-Net機械学習モデルのトレーニングに使用される。
U-Net分類モデルのトレーニングは計算に重く、時間を要するため、モデルの精度に影響を与えることなく、7.21倍のスピードアップを持つDGXクラスタ上でHorovodフレームワークを使用して8つのGPUにスケールするU-Netモデルトレーニングを配布する。
南極のロス海地域を例として、自動ラベル付きデータに基づいてトレーニングされたU-Netモデルは、S2画像からの薄い雲と影がフィルタリングされたときに、自動ラベル付きトレーニングデータセットの分類精度98.97%を達成する。
関連論文リスト
- Enhancing sea ice segmentation in Sentinel-1 images with atrous
convolutions [1.0905169282633254]
MLトレーニングと評価のために生成された高解像度ベンチマークデータセットであるExtreme Earthバージョン2を使用します。
我々のパイプラインは、SAR画像セグメンテーションのためのResNetsとAtrous Space Pyramid Poolingを組み合わせたものである。
提案手法は,全SARシーンを1回の実行で効率的に分割することができ,ベースラインのU-Netよりも高速で,空間解像度と寸法を保ち,パッチ分類に依存するアプローチに比べてノイズに対して頑健である。
論文 参考訳（メタデータ） (2023-10-26T03:43:28Z) - CSP: Self-Supervised Contrastive Spatial Pre-Training for
Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。
デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。
CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文 参考訳（メタデータ） (2023-05-01T23:11:18Z) - Enhancing Self-Supervised Learning for Remote Sensing with Elevation
Data: A Case Study with Scarce And High Level Semantic Labels [1.534667887016089]
本研究は、地球観測下流タスクに適用された事前学習モデルに対する、教師なしと教師なしのハイブリッド学習手法を提案する。
我々は、事前訓練モデルに対する対照的なアプローチと画素単位の回帰事前テキストタスクを組み合わせることで、粗い標高マップを予測する。
論文 参考訳（メタデータ） (2023-04-13T23:01:11Z) - Toward Polar Sea-Ice Classification using Color-based Segmentation and
Auto-labeling of Sentinel-2 Imagery to Train an Efficient Deep Learning Model [3.8768637546735456]
北極海氷の融解パターンと後退は地球温暖化の重要な指標である。
センチネル2衛星は極域の高解像度の光学画像を撮影する。
重要な課題は、基礎となる真実として機能するラベル付きS2トレーニングデータがないことである。
論文 参考訳（メタデータ） (2023-03-08T19:09:22Z) - Scale Attention for Learning Deep Face Representation: A Study Against
Visual Scale Variation [69.45176408639483]
我々はスケール空間理論に頼って凸層を再構築する。
我々はSCale AttentioN Conv Neural Network(textbfSCAN-CNN)という新しいスタイルを構築した。
単発方式として、推論はマルチショット融合よりも効率的である。
論文 参考訳（メタデータ） (2022-09-19T06:35:04Z) - Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
HSI分類に自己監督学習(SSL)を活用することを提案する。
最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
論文 参考訳（メタデータ） (2022-06-24T07:21:53Z) - Unsupervised Foggy Scene Understanding via Self Spatial-Temporal Label
Diffusion [51.11295961195151]
運転シーンの霧画像列の特徴を利用して、自信ある擬似ラベルを密度化する。
局所的な空間的類似性と逐次画像データの隣接時間対応の2つの発見に基づいて,新たなターゲット・ドメイン駆動擬似ラベル拡散方式を提案する。
本手法は,2つの天然霧のデータセット上で51.92%,53.84%の平均交叉結合(mIoU)を達成するのに有効である。
論文 参考訳（メタデータ） (2022-06-10T05:16:50Z) - Masked Unsupervised Self-training for Zero-shot Image Classification [98.23094305347709]
Masked Unsupervised Self-Training (MUST)は、疑似ラベルと生画像という2つの異なる、補完的な監督源を活用する新しいアプローチである。
MUSTはCLIPを大きなマージンで改善し、教師なしと教師なしの分類のパフォーマンスギャップを狭める。
論文 参考訳（メタデータ） (2022-06-07T02:03:06Z) - Point Label Aware Superpixels for Multi-species Segmentation of
Underwater Imagery [4.195806160139487]
水中車両を用いたサンゴ礁のモニタリングは、海洋調査の範囲を増やし、歴史的生態データの入手を可能にしている。
セマンティックセグメンテーションモデルを訓練するために,スーパーピクセル領域内のラベルを伝播する点ラベル認識手法を提案する。
本手法は,UCSDモザイクデータセットにおいて,画素精度が3.62%,ラベル伝搬タスクが平均IoUが8.35%向上した。
論文 参考訳（メタデータ） (2022-02-27T23:46:43Z) - Automatic Feature Highlighting in Noisy RES Data With CycleGAN [0.0]
電波エコー (RES) は、地下の氷河イメージングでよく用いられる技法であり、基盤となる岩石や氷の知見を提供する。
研究者は、多くの場合、手動による解釈とフィルタリング技術を組み合わせて、データを識別する。
完全な畳み込みネットワークはレーダグラムの層の境界を特定するための自動化された代替手段として提案されている。
そこで本稿では,GANモデルを用いて層境界をノイズで補間し,2次元の氷河RESデータで層をハイライトする手法を提案する。
論文 参考訳（メタデータ） (2021-08-25T15:03:47Z) - RGB-based Semantic Segmentation Using Self-Supervised Depth Pre-Training [77.62171090230986]
本稿では,任意の意味的RGBセグメンテーション手法の事前学習に使用できる,スケーラブルで自己管理の容易な手法を提案する。
特に、我々の事前学習アプローチでは、深度センサーを用いて得られるラベルを自動生成する。
提案したHNラベルによる自己教師付き事前学習が,ImageNetの事前学習にどのように応用できるかを示す。
論文 参考訳（メタデータ） (2020-02-06T11:16:24Z)
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。