Fugu-MT 論文翻訳(概要): S4: Self-Supervised Sensing Across the Spectrum

論文の概要: S4: Self-Supervised Sensing Across the Spectrum

arxiv url: http://arxiv.org/abs/2405.01656v1
Date: Thu, 2 May 2024 18:26:15 GMT
ステータス: 処理完了
システム内更新日: 2024-05-06 14:54:33.208129
Title: S4: Self-Supervised Sensing Across the Spectrum
Title（参考訳）: S4: スペクトルを横断するセルフ・スーパービジョン・センシング
Authors: Jayanth Shenoy, Xinjian Davis Zhang, Shlok Mehrotra, Bill Tao, Rem Yang, Han Zhao, Deepak Vasisht,
Abstract要約: 本稿では,衛星画像時系列(SITS)セグメンテーションのための自己教師付き事前学習手法を提案する。衛星は、電波周波数や可視周波数などのスペクトルの異なる部分の画像をキャプチャする。また、ラベルなし、空間整列、マルチモーダル、地理的特化SITSの大規模データセットであるm2s2-SITSをキュレートする。
参考スコア（独自算出の注目度）: 8.889579110280483
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Satellite image time series (SITS) segmentation is crucial for many applications like environmental monitoring, land cover mapping and agricultural crop type classification. However, training models for SITS segmentation remains a challenging task due to the lack of abundant training data, which requires fine grained annotation. We propose S4 a new self-supervised pre-training approach that significantly reduces the requirement for labeled training data by utilizing two new insights: (a) Satellites capture images in different parts of the spectrum such as radio frequencies, and visible frequencies. (b) Satellite imagery is geo-registered allowing for fine-grained spatial alignment. We use these insights to formulate pre-training tasks in S4. We also curate m2s2-SITS, a large-scale dataset of unlabeled, spatially-aligned, multi-modal and geographic specific SITS that serves as representative pre-training data for S4. Finally, we evaluate S4 on multiple SITS segmentation datasets and demonstrate its efficacy against competing baselines while using limited labeled data.
Abstract（参考訳）: 衛星画像時系列(SITS)セグメンテーションは、環境モニタリング、土地被覆マッピング、農作物の種類分類など、多くの用途に欠かせない。しかし、SITSセグメンテーションのトレーニングモデルは、詳細なアノテーションを必要とする豊富なトレーニングデータがないため、依然として困難な課題である。我々は,2つの新たな洞察を生かしてラベル付きトレーニングデータの要求を大幅に低減する,自己指導型事前学習手法S4を提案する。 (a)衛星は、電波周波数や可視周波数などのスペクトルの異なる部分の画像を取得する。 (b)衛星画像は、微細な空間アライメントが可能なジオ登録されている。これらの知見をS4における事前学習タスクの定式化に活用する。また、S4の代表的な事前学習データとして機能する、ラベルなし、空間整列、マルチモーダル、地理的特化SITSの大規模データセットであるm2s2-SITSをキュレートする。最後に、複数のSITSセグメンテーションデータセット上でS4を評価し、ラベル付き限られたデータを用いて競合するベースラインに対して有効性を示す。

関連論文リスト

Paving the way toward foundation models for irregular and unaligned Satellite Image Time Series [0.0]
ALIgned Sits (ALISE) を提案する。 SITSで現在利用可能なSSLモデルとは異なり、ALISEはSITSを共通の学習された時間的プロジェクション空間に投影するための柔軟なクエリメカニズムを組み込んでいる。 PASTIS, 土地被覆区分 (MultiSenGE) , 新たな作物変化検出データセットの3つの下流課題を通じて, 生産された表現の質を評価する。
論文参考訳（メタデータ） (2024-07-11T12:42:10Z)
Assessment of Sentinel-2 spatial and temporal coverage based on the scene classification layer [4.388282062290401]
本稿では,領域のクリーンな光学的カバレッジを評価する手法を提案する。手動しきい値とSCLの特定のラベルにより、提案手法は空間的および時間的カバレッジのパーセンテージを割り当てる。この評価は,MLモデルの予測結果と相関することを示す。
論文参考訳（メタデータ） (2024-06-06T06:22:06Z)
Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
論文参考訳（メタデータ） (2024-05-10T08:04:27Z)
SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文参考訳（メタデータ） (2024-03-25T10:30:22Z)
Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文参考訳（メタデータ） (2024-03-08T16:18:04Z)
A generic self-supervised learning (SSL) framework for representation learning from spectra-spatial feature of unlabeled remote sensing imagery [4.397725469518669]
自己教師付き学習(SSL)では、モデルが桁違いに遅延のないデータから表現を学習することができる。この研究は、未ラベルデータのスペクトル空間情報の両方から表現を学習できる新しいSSLフレームワークを設計した。
論文参考訳（メタデータ） (2023-06-27T23:50:43Z)
SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文参考訳（メタデータ） (2022-07-17T01:35:29Z)
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)
Active Learning for Improved Semi-Supervised Semantic Segmentation in Satellite Images [1.0152838128195467]
半教師付きテクニックは、ラベル付きサンプルの小さなセットから擬似ラベルを生成する。そこで我々は,ラベル付きトレーニングデータの集合を高度に代表的に選択するために,アクティブな学習に基づくサンプリング戦略を提案する。我々はmIoUの27%の改善を報告し、2%のラベル付きデータをアクティブラーニングサンプリング戦略を用いて報告した。
論文参考訳（メタデータ） (2021-10-15T00:29:31Z)
Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。提案したモデルをCityscapesデータセット上で検証する。
論文参考訳（メタデータ） (2021-08-28T01:33:38Z)
Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.125851164829582]
本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
論文参考訳（メタデータ） (2020-03-30T17:32:49Z)

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。