論文の概要: Generalized Few-Shot Meets Remote Sensing: Discovering Novel Classes in Land Cover Mapping via Hybrid Semantic Segmentation Framework
- arxiv url: http://arxiv.org/abs/2404.12721v1
- Date: Fri, 19 Apr 2024 09:01:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-22 15:45:58.754849
- Title: Generalized Few-Shot Meets Remote Sensing: Discovering Novel Classes in Land Cover Mapping via Hybrid Semantic Segmentation Framework
- Title（参考訳）: リモートセンシング:ハイブリッドセマンティックセマンティックセグメンテーションフレームワークによる土地被覆マッピングの新しいクラスを発見する
- Authors: Zhuohong Li, Fangxiao Lu, Jiaqi Zou, Lei Hu, Hongyan Zhang,
- Abstract要約: 我々は,高解像度土地被覆マッピングの新しいクラスを更新するために,セグメンテーションに基づくセグメンテーションベースのフレームワークSegLandを提案する。
このフレームワークはOpenEarthMap Land Cover Mapping Few-Shot Challengeのリーダーボードで優勝した。
- 参考スコア（独自算出の注目度）: 9.803861474101957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Land-cover mapping is one of the vital applications in Earth observation, aiming at classifying each pixel's land-cover type of remote-sensing images. As natural and human activities change the landscape, the land-cover map needs to be rapidly updated. However, discovering newly appeared land-cover types in existing classification systems is still a non-trivial task hindered by various scales of complex land objects and insufficient labeled data over a wide-span geographic area. In this paper, we propose a generalized few-shot segmentation-based framework, named SegLand, to update novel classes in high-resolution land-cover mapping. Specifically, the proposed framework is designed in three parts: (a) Data pre-processing: the base training set and the few-shot support sets of novel classes are analyzed and augmented; (b) Hybrid segmentation structure; Multiple base learners and a modified Projection onto Orthogonal Prototypes (POP) network are combined to enhance the base-class recognition and to dig novel classes from insufficient labels data; (c) Ultimate fusion: the semantic segmentation results of the base learners and POP network are reasonably fused. The proposed framework has won first place in the leaderboard of the OpenEarthMap Land Cover Mapping Few-Shot Challenge. Experiments demonstrate the superiority of the framework for automatically updating novel land-cover classes with limited labeled data.
- Abstract（参考訳）: ランドカバーマッピングは地球観測における重要な応用の1つであり、各ピクセルのランドカバータイプのリモートセンシング画像の分類を目的としている。
自然と人間の活動が景観を変えるため、土地被覆地図は急速に更新される必要がある。
しかし, 既存の分類システムで新たに出現した土地被覆型を発見することは, 複雑な土地オブジェクトの様々なスケールや, 広範囲にわたるラベル付きデータ不足に悩まされるような作業である。
本稿では,高解像度土地被覆マッピングにおける新しいクラスを更新するために,SegLandと呼ばれる一般化された数ショットセグメンテーションベースのフレームワークを提案する。
具体的には,提案するフレームワークを3つのパートで設計する。
(a)データ前処理:ベーストレーニングセットと新規クラスの数発のサポートセットを解析・拡張する。
b)ハイブリッドセグメンテーション構造;複数のベースラーナーと修正されたプロトタイプ(POP)ネットワークを組み合わせ、ベースクラス認識を強化し、ラベルの不十分なデータから新規クラスを掘り下げる。
(c)究極融合:基礎学習者とPOPネットワークのセマンティックセグメンテーションの結果は合理的に融合する。
提案されたフレームワークは、OpenEarthMap Land Cover Mapping Few-Shot Challengeのリーダーボードで優勝した。
ラベル付きデータに制限のある新しい土地被覆クラスを自動的に更新するフレームワークの優位性を示す実験を行った。
関連論文リスト
- Evaluation of Deep Learning Semantic Segmentation for Land Cover Mapping on Multispectral, Hyperspectral and High Spatial Aerial Imagery [0.0]
気候変動の台頭で、土地被覆マッピングは環境モニタリングにおいて緊急に必要となってきた。
本研究では,Unet,Linknet,FPN,PSPnetなどのセマンティックセグメンテーション手法を用いて植生や水などの分類を行った。
LinkNetモデルは、すべてのデータセットで0.92の精度でIoUで取得した。
論文 参考訳（メタデータ） (2024-06-20T11:40:12Z) - Betrayed by Captions: Joint Caption Grounding and Generation for Open
Vocabulary Instance Segmentation [80.48979302400868]
オープンな語彙のインスタンスセグメンテーションに注目し、セグメンテーションモデルを拡張して、インスタンスレベルの新しいカテゴリを分類し、セグメンテーションする。
これまでは、画像領域と名詞の字幕間の1対1のマッピングを確立するために、大量の字幕データセットと複雑なパイプラインに頼っていた。
我々は,一致したオブジェクトのみに着目して学習効率を向上させる新しいグラウンドニング損失を取り入れた,共同の textbf Caption Grounding and Generation (CGG) フレームワークを考案した。
論文 参考訳（メタデータ） (2023-01-02T18:52:12Z) - 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) - L2G: A Simple Local-to-Global Knowledge Transfer Framework for Weakly
Supervised Semantic Segmentation [67.26984058377435]
高品質なオブジェクトアテンションマイニングのための簡易なローカル・グローバルな知識伝達フレームワークであるL2Gについて述べる。
本フレームワークは,グローバルな視点から収集したリッチオブジェクトの詳細知識をグローバルネットワークで学習する。
実験の結果,PASCAL VOC 2012とMS COCO 2014の検証セットにおいて,72.1%,44.2%のmIoU値が得られた。
論文 参考訳（メタデータ） (2022-04-07T04:31:32Z) - Compositional Temporal Grounding with Structured Variational Cross-Graph
Correspondence Learning [92.07643510310766]
ビデオの時間的接地は、あるクエリ文に意味的に対応する1つのターゲットビデオセグメントをローカライズすることを目的としている。
新たに構成時間グラウンドタスクを導入し,2つの新しいデータセット分割を構築した。
出現した単語の新たな組み合わせによるクエリの一般化に失敗したことを実証的に見出した。
本稿では,ビデオと言語を複数の階層構造に明示的に分解する多変分グラフ推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-24T12:55:23Z) - 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) - A hierarchical deep learning framework for the consistent classification
of land use objects in geospatial databases [8.703408520845645]
本稿では,土地利用情報を検証するための階層的ディープラーニングフレームワークを提案する。
複数レベルの土地利用を階層的に同時に予測することを目的とした新しいCNN方式を提案する。
実験によると、CNNはJOに依存しており、全体の精度は92.5%まで向上している。
論文 参考訳（メタデータ） (2021-04-14T17:16:35Z) - Land Cover Semantic Segmentation Using ResUNet [0.0]
本稿では,土地被覆分類のための自動システムの開発について述べる。
本システムは、入力として領域のマルチバンド衛星画像を取得し、入力と同じ解像度で領域のランドカバーマップを出力する。
この目的のために、衛星画像の土地被覆セマンティックセグメンテーションを予測するために、畳み込み機械学習モデルを訓練した。
論文 参考訳（メタデータ） (2020-10-13T10:56:09Z) - Very High Resolution Land Cover Mapping of Urban Areas at Global Scale
with Convolutional Neural Networks [0.0]
本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。
データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。
最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
論文 参考訳（メタデータ） (2020-05-12T10:03:20Z) - Exploring Bottom-up and Top-down Cues with Attentive Learning for Webly
Supervised Object Detection [76.9756607002489]
本稿では,新しいクラスを対象としたWebSOD法を提案する。
提案手法はボトムアップとトップダウンを組み合わせた新しいクラス検出手法である。
提案手法は,3種類の新規/ベース分割を持つPASCAL VOCデータセット上で実証した。
論文 参考訳（メタデータ） (2020-03-22T03:11:24Z) - Segmentation of Satellite Imagery using U-Net Models for Land Cover
Classification [2.28438857884398]
本稿では,衛星画像に基づく土地被覆分類マップを作成するために,U-Net構造を改良した畳み込み機械学習モデルを用いた。
本研究の目的は、自動土地被覆マッピングのための畳み込みモデルの訓練と試験を行い、土地被覆マッピングの精度向上と変更検出における使用性を評価することである。
論文 参考訳（メタデータ） (2020-03-05T20:07:48Z)
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。