論文の概要: SeeFar: Satellite Agnostic Multi-Resolution Dataset for Geospatial Foundation Models
- arxiv url: http://arxiv.org/abs/2406.06776v1
- Date: Mon, 10 Jun 2024 20:24:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 20:15:44.135017
- Title: SeeFar: Satellite Agnostic Multi-Resolution Dataset for Geospatial Foundation Models
- Title（参考訳）: SeeFar:地球空間基盤モデルのための衛星非依存型マルチリゾリューションデータセット
- Authors: James Lowman, Kelly Liu Zheng, Roydon Fraser, Jesse Van Griensven The, Mojtaba Valipour,
- Abstract要約: SeeFar(シーファー)は、公共の衛星と商用衛星の多解像度衛星画像集である。
衛星タイプに縛られずに地理空間基盤モデルのトレーニングのために,このデータセットをキュレートした。
- 参考スコア（独自算出の注目度）: 0.0873811641236639
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: SeeFar is an evolving collection of multi-resolution satellite images from public and commercial satellites. We specifically curated this dataset for training geospatial foundation models, unconstrained by satellite type. In recent years, advances in technology have made satellite imagery more accessible than ever. More earth-observing satellites have been launched in the last five years than in the previous fifty. Modern commercial satellites now offer up to 100 times the spatial resolution of public access satellites. However, the high cost and limited historical availability of commercial satellite imagery is a barrier to the training of foundational models, impacting what images can be used during inference. The SeeFar dataset represents a step towards training models that are satellite-agnostic by combining multi-resolution commercial and public access pre-processed images. This will enable users to utilize historical data alongside higher-resolution, more expensive satellite imagery, offering greater flexibility during inference. To achieve this, we describe a process for standardizing data from diverse satellite sources, normalizing different data formats, and aligning spectral bands to enhance interoperability. The SeeFar dataset includes images at a resolution of 384x384 pixels, spanning four spectral bands (Blue, Green, Red, and Near-Infrared) and expanding spatial resolutions (starting with 30, 10, 1.5, and 1.0 meters), all in cloud-optimized GeoTIFF format. It also provides consistent and comprehensive metadata to enhance data transparency and reliability. By aggregating data from multiple sources, SeeFar makes processed and consistent satellite data accessible to a wider range of users - from researchers to policymakers - fostering competition and innovation in satellite imagery analysis. The dataset is available at \url{coastalcarbon.ai/seefar}.
- Abstract（参考訳）: SeeFar(シーファー)は、公共の衛星と商用衛星の多解像度衛星画像集である。
衛星タイプに拘束されない地空間基盤モデルのトレーニングのために,このデータセットを特別にキュレートした。
近年、技術の進歩により衛星画像がこれまで以上にアクセスしやすくなっている。
過去5年間で、過去50年より多くの地球観測衛星が打ち上げられた。
現代の商用衛星は現在、公共アクセス衛星の100倍の空間解像度を提供している。
しかし、商用衛星画像の高コストかつ歴史的利用が制限されることは、基礎モデルの訓練の障壁となり、推論時にどの画像が使用できるかに影響を与える。
SeeFarデータセットは、多解像度の商用およびパブリックアクセス事前処理されたイメージを組み合わせることで、衛星に依存しないモデルをトレーニングするためのステップである。
これによりユーザーは、高解像度で高価な衛星画像とともに歴史的なデータを利用でき、推論時により柔軟な画像を提供することができる。
これを実現するために、多様な衛星からのデータを標準化し、異なるデータフォーマットを標準化し、相互運用性を高めるためにスペクトル帯域を整列するプロセスについて述べる。
SeeFarデータセットには、384x384ピクセルの解像度の画像が含まれており、4つのスペクトル帯(青、緑、赤、近赤外線)にまたがり、空間解像度(30, 10, 1.5, 1.0 m)をクラウド最適化されたGeoTIFFフォーマットで拡張している。
また、データの透明性と信頼性を高めるために、一貫性のある包括的なメタデータを提供する。
複数のソースからのデータを集約することで、SeeFarは、研究者から政策立案者まで幅広いユーザーに対して、処理された一貫した衛星データをアクセスできるようにする。
データセットは \url{coastalcarbon.ai/seefar} で公開されている。
関連論文リスト
- SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。
アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。
実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
論文 参考訳（メタデータ） (2024-06-14T17:58:28Z) - 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) - Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。
小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。
128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文 参考訳（メタデータ） (2024-02-01T15:59:16Z) - Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve
Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。
MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。
これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文 参考訳（メタデータ） (2023-12-07T18:59:14Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳（メタデータ） (2023-12-06T16:53:17Z) - 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) - Towards Space-to-Ground Data Availability for Agriculture Monitoring [0.0]
本稿では,クラウドソーシングプラットフォームであるMapillaryのストリートレベル画像とともに,Sentinel-1レーダとSentinel-2光画像時系列を含む地上空間データセットを提案する。
これらの異なるデータドメイン上で機械学習とディープラーニングのアルゴリズムをトレーニングし、意思決定の信頼性を高めるための融合技術の可能性を強調します。
論文 参考訳（メタデータ） (2022-05-16T14:35:48Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - Manipulating UAV Imagery for Satellite Model Training, Calibration and
Testing [4.514832807541816]
現代の家畜の農業はますますデータ駆動化が進み、広範囲のデータを収集するために効率的なリモートセンシングに依存している。
衛星画像はそのようなデータソースの1つであり、カバー範囲が増加しコストが低下するにつれて、農家にとってアクセスしやすくなっている。
本稿では,衛星データの品質に合わせた高分解能UAV画像の多時間データセットを提案する。
論文 参考訳（メタデータ） (2022-03-22T03:57:02Z) - Edge Detection for Satellite Images without Deep Networks [2.741266294612776]
衛星画像解析への最近のアプローチは、ディープラーニングの方法を大きく強調している。
ディープラーニングには、特殊なコンピューティングハードウェアの要件など、いくつかの欠点がある。
巨大な衛星データセットを扱う場合、計算リソースとトレーニングデータアノテーションのコストは禁じられるかもしれない。
論文 参考訳（メタデータ） (2021-05-26T15:47:42Z)
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。