論文の概要: IrrNet: Advancing Irrigation Mapping with Incremental Patch Size Training on Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2404.11762v1
- Date: Wed, 17 Apr 2024 21:43:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-19 13:30:32.942885
- Title: IrrNet: Advancing Irrigation Mapping with Incremental Patch Size Training on Remote Sensing Imagery
- Title（参考訳）: IrrNet:リモートセンシング画像を用いた増分パッチサイズトレーニングによる灌水マッピングの改善
- Authors: Oishee Bintey Hoque, Samarth Swarup, Abhijin Adiga, Sayjro Kossi Nouwakpo, Madhav Marathe,
- Abstract要約: 本稿では,学習過程を通じてパッチサイズを戦略的に増加させる,プログレッシブトレーニング手法を用いた革新的なアプローチを提案する。
注目すべきは,既存の最先端モデルの性能を約20%向上させることである。
- 参考スコア（独自算出の注目度）: 4.713867053820382
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Irrigation mapping plays a crucial role in effective water management, essential for preserving both water quality and quantity, and is key to mitigating the global issue of water scarcity. The complexity of agricultural fields, adorned with diverse irrigation practices, especially when multiple systems coexist in close quarters, poses a unique challenge. This complexity is further compounded by the nature of Landsat's remote sensing data, where each pixel is rich with densely packed information, complicating the task of accurate irrigation mapping. In this study, we introduce an innovative approach that employs a progressive training method, which strategically increases patch sizes throughout the training process, utilizing datasets from Landsat 5 and 7, labeled with the WRLU dataset for precise labeling. This initial focus allows the model to capture detailed features, progressively shifting to broader, more general features as the patch size enlarges. Remarkably, our method enhances the performance of existing state-of-the-art models by approximately 20%. Furthermore, our analysis delves into the significance of incorporating various spectral bands into the model, assessing their impact on performance. The findings reveal that additional bands are instrumental in enabling the model to discern finer details more effectively. This work sets a new standard for leveraging remote sensing imagery in irrigation mapping.
- Abstract（参考訳）: 水質と水量の両方を維持するのに不可欠であり、水不足の世界的な問題を緩和する鍵となる水管理において、水マッピングは重要な役割を担っている。
農業分野の複雑さは、多種多様な灌水の慣行で装飾されており、特に複数のシステムが近辺で共存している場合、ユニークな課題となる。
この複雑さは、ランドサットのリモートセンシングデータの性質によってさらに複雑化しており、各ピクセルは密集した情報に富み、正確な灌水マッピングのタスクを複雑にしている。
本研究では,ランドサット5と7のデータセットを正確なラベル付けのためにWRLUデータセットにラベル付けすることで,トレーニングプロセス全体を通してパッチサイズを戦略的に増加させる,プログレッシブトレーニング手法を採用した革新的なアプローチを提案する。
この最初の焦点は、パッチのサイズが大きくなるにつれて、モデルがより詳細な機能をキャプチャし、より広くより一般的な機能に移行することである。
注目すべきは,既存の最先端モデルの性能を約20%向上させることである。
さらに,本分析では,様々なスペクトル帯域をモデルに組み込むことの重要性を考察し,その性能への影響を評価した。
これらの結果から,追加のバンドはモデルがより細部をより効果的に識別する上で有効であることが明らかとなった。
本研究は, 遠隔センシング画像を利用した灌水マッピングのための新しい規格を策定する。
関連論文リスト
- WTDUN: Wavelet Tree-Structured Sampling and Deep Unfolding Network for Image Compressed Sensing [51.94493817128006]
マルチスケールウェーブレットサブバンド上で直接動作するWTDUNという新しいウェーブレットドメインの深層展開フレームワークを提案する。
本手法は,ウェーブレット係数の固有間隔とマルチスケール構造を利用して,木構造によるサンプリングと再構成を実現する。
論文 参考訳（メタデータ） (2024-11-25T12:31:03Z) - Habaek: High-performance water segmentation through dataset expansion and inductive bias optimization [4.198865250277024]
本研究では,ADE20K や RIWA などのデータセットを用いたデータ拡張によるセグメンテーションのためのセグフォーマーモデルの改良を提案する。
提案するHabaekモデルは, 0.9 1986 から 0.94397 までの IoU (Intersection over Union) で, 現在のモデルよりも高い性能を示すことを示す。
論文 参考訳（メタデータ） (2024-10-21T09:06:13Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - WMFormer++: Nested Transformer for Visible Watermark Removal via Implict
Joint Learning [68.00975867932331]
既存の透かし除去法は主にタスク固有のデコーダブランチを持つUNetに依存している。
両分野の情報を包括的に統合するために,暗黙的な共同学習パラダイムを導入する。
その結果、既存の最先端手法をはるかに上回る、我々のアプローチの顕著な優位性を示した。
論文 参考訳（メタデータ） (2023-08-20T07:56:34Z) - Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。
我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。
我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
論文 参考訳（メタデータ） (2023-07-28T16:03:28Z) - DAM-Net: Global Flood Detection from SAR Imagery Using Differential
Attention Metric-Based Vision Transformers [22.885444177106873]
高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。
そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。
DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
論文 参考訳（メタデータ） (2023-06-01T14:12:33Z) - DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water
Extent with SAR Images using Knowledge Distillation [44.99833362998488]
トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。
我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。
実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
論文 参考訳（メタデータ） (2023-05-02T18:06:21Z) - Extended Agriculture-Vision: An Extension of a Large Aerial Image
Dataset for Agricultural Pattern Analysis [11.133807938044804]
農業ビジョンデータセットの改良版(Chiu et al., 2020b)をリリースする。
このデータセットは,3600大,高解像度(10cm/ピクセル),フルフィールド,赤緑色,近赤外画像の事前トレーニングにより拡張する。
下流分類とセマンティックセグメンテーションの両タスクにおいて、異なるコントラスト学習アプローチをベンチマークすることで、このデータの有用性を実証する。
論文 参考訳（メタデータ） (2023-03-04T17:35:24Z) - A Deep Learning Approach to Mapping Irrigation: IrrMapper-U-Net [0.0]
本研究では,2000年からのモンタナ州における新しい灌水マッピング法を提案し,その精度を実証する。
この手法は、ランドサット画像からの反射情報を用いて灌水されたピクセルを分類する畳み込みニューラルネットワークのアンサンブルに基づいている。
この方法は、米国農務省の農業統計調査(USDA)の灌水地域の推定値と、州全体でよりよく一致していることを発見した。
論文 参考訳（メタデータ） (2021-03-04T19:27:39Z)
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。