論文の概要: Reuse out-of-year data to enhance land cover mappingvia feature disentanglement and contrastive learning

• arxiv url: http://arxiv.org/abs/2404.11114v1
• Date: Wed, 17 Apr 2024 07:00:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-18 15:04:52.089651
• Title: Reuse out-of-year data to enhance land cover mappingvia feature disentanglement and contrastive learning
• Title（参考訳）: 土地被覆地図作成における年次データの利用 : 特徴的絡み合いとコントラスト学習
• Authors: Cassio F. Dantas, Raffaele Gaetano, Claudia Paris, Dino Ienco,
• Abstract要約: 土地利用/土地被覆(LULC)地図は、農業領域の管理、環境モニタリング、持続可能な意思決定を支援する上で重要な役割を果たしている。 新しい基底真理データを収集する必要があるため、以前に収集された参照データを完全に無視する。 本稿では,2つの異なる領域からのリモートセンシングと参照データを組み合わせたディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.936030178022172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Timely up-to-date land use/land cover (LULC) maps play a pivotal role in supporting agricultural territory management, environmental monitoring and facilitating well-informed and sustainable decision-making. Typically, when creating a land cover (LC) map, precise ground truth data is collected through time-consuming and expensive field campaigns. This data is then utilized in conjunction with satellite image time series (SITS) through advanced machine learning algorithms to get the final map. Unfortunately, each time this process is repeated (e.g., annually over a region to estimate agricultural production or potential biodiversity loss), new ground truth data must be collected, leading to the complete disregard of previously gathered reference data despite the substantial financial and time investment they have required. How to make value of historical data, from the same or similar study sites, to enhance the current LULC mapping process constitutes a significant challenge that could enable the financial and human-resource efforts invested in previous data campaigns to be valued again. Aiming to tackle this important challenge, we here propose a deep learning framework based on recent advances in domain adaptation and generalization to combine remote sensing and reference data coming from two different domains (e.g. historical data and fresh ones) to ameliorate the current LC mapping process. Our approach, namely REFeD (data Reuse with Effective Feature Disentanglement for land cover mapping), leverages a disentanglement strategy, based on contrastive learning, where invariant and specific per-domain features are derived to recover the intrinsic information related to the downstream LC mapping task and alleviate possible distribution shifts between domains. Additionally, REFeD is equipped with an effective supervision scheme where feature disentanglement is further enforced via multiple levels of supervision at different granularities. The experimental assessment over two study areas covering extremely diverse and contrasted landscapes, namely Koumbia (located in the West-Africa region, in Burkina Faso) and Centre Val de Loire (located in centre Europe, France), underlines the quality of our framework and the obtained findings demonstrate that out-of-year information coming from the same (or similar) study site, at different periods of time, can constitute a valuable additional source of information to enhance the LC mapping process.
• Abstract（参考訳）: 最新の土地利用/土地被覆(LULC)地図は、農業領域の管理、環境モニタリング、そして、良い情報と持続可能な意思決定を促進する上で重要な役割を担っている。 通常、ランドカバー(LC)マップを作成する際には、時間と費用のかかるフィールドキャンペーンを通じて正確な地上真実データを収集する。 このデータを衛星画像時系列(SITS)と組み合わせて、高度な機械学習アルゴリズムを用いて最終地図を得る。 残念なことに、このプロセスが繰り返される度に(例えば、農業生産や生物多様性の喪失を見積もるためには、毎年、地域にわたって)、新たな真実データを収集する必要がある。 同じ研究現場から、あるいは同様の研究現場から、現在のLULCマッピングプロセスを強化するために、過去のデータキャンペーンに投資した財政的、人的資源的努力が再び価値を享受できるような重要な課題となる。 この課題に対処するために,本稿では,2つの異なるドメイン(例えば,過去のデータと新しいデータ)からのリモートセンシングと参照データを組み合わせて,現在のLCマッピングプロセスを改善するための,ドメイン適応と一般化の最近の進歩に基づくディープラーニングフレームワークを提案する。 筆者らのアプローチであるREFeD (Data Reuse with Effective Feature Disentanglement for Land Cover Mapping) は,逆学習に基づく分散戦略を利用して,下流LCマッピングタスクに関連する固有情報を抽出し,ドメイン間の分散シフトを緩和する。 さらに、REFeDは、異なる粒度の複数のレベルの監督を通じて、機能障害をさらに実施する効果的な監視スキームを備えている。 コウムビア(ブルキナファソの西アフリカ地域、フランス中部)とバル・ド・ロワール(フランス中央ヨーロッパ)の2つの研究分野について実験を行ったところ、この枠組みの質は低く、また、同じ(または類似した)調査現場から得られた年次情報も、異なる期間に、LCマッピングプロセスを強化するために貴重な情報源となることが判明した。

関連論文リスト

• Biological Valuation Map of Flanders: A Sentinel-2 Imagery Analysis [12.025312586542318]
  我々は、センチネル2衛星画像と組み合わせたフランダースの高密度なラベル付き地上真理マップを提示する。 提案手法は,地形図のレイアウトである「Kaartbladversnijdingen」と,詳細なセマンティックセグメンテーションモデルトレーニングパイプラインを利用する,形式化されたデータセット分割とサンプリング手法を含む。
  論文  参考訳（メタデータ） (2024-01-26T22:21:39Z)
• Cross Domain Early Crop Mapping using CropSTGAN [12.271756709807898]
  本稿では,Crop Mapping Spectral-temporal Generative Adrial Neural Network (CropSTGAN)を紹介する。 CropSTGANは、ターゲットドメインのスペクトル特徴をソースドメインのスペクトル特徴に変換することを学習し、実質的に大きな相似性をブリッジする。 実験では、CropSTGANは様々な最先端(SOTA)メソッドに対してベンチマークされる。
  論文  参考訳（メタデータ） (2024-01-15T00:27:41Z)
• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Domain-Adversarial Training of Self-Attention Based Networks for Land Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery [0.0]
  ほとんどの実用的なアプリケーションはラベル付きデータには依存せず、この分野では調査は時間のかかるソリューションである。 本稿では,異なる地理的領域間のドメイン不一致を橋渡しする深層ニューラルネットワークの対比訓練について検討する。
  論文  参考訳（メタデータ） (2021-04-01T15:45:17Z)
• Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
  ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。 このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。 衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
  論文  参考訳（メタデータ） (2020-04-11T19:49:09Z)
• Fine grained classification for multi-source land cover mapping [4.9873153106566575]
  タイムリーで正確な土地利用/土地被覆マッピングはこのビジョンをサポートすることができる。 オブジェクトレベルでのマルチソース土地被覆マッピングに対処する深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-04T15:49:37Z)

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。