Fugu-MT 論文翻訳(概要): Assessment of Sentinel-2 spatial and temporal coverage based on the scene classification layer

論文の概要: Assessment of Sentinel-2 spatial and temporal coverage based on the scene classification layer

arxiv url: http://arxiv.org/abs/2406.18584v1
Date: Thu, 6 Jun 2024 06:22:06 GMT
ステータス: 処理完了
システム内更新日: 2024-07-01 05:40:31.455227
Title: Assessment of Sentinel-2 spatial and temporal coverage based on the scene classification layer
Title（参考訳）: シーン分類層に基づくセンチネル2の空間的・時間的カバレッジの評価
Authors: Cristhian Sanchez, Francisco Mena, Marcela Charfuelan, Marlon Nuske, Andreas Dengel,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.388282062290401
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Since the launch of the Sentinel-2 (S2) satellites, many ML models have used the data for diverse applications. The scene classification layer (SCL) inside the S2 product provides rich information for training, such as filtering images with high cloud coverage. However, there is more potential in this. We propose a technique to assess the clean optical coverage of a region, expressed by a SITS and calculated with the S2-based SCL data. With a manual threshold and specific labels in the SCL, the proposed technique assigns a percentage of spatial and temporal coverage across the time series and a high/low assessment. By evaluating the AI4EO challenge for Enhanced Agriculture, we show that the assessment is correlated to the predictive results of ML models. The classification results in a region with low spatial and temporal coverage is worse than in a region with high coverage. Finally, we applied the technique across all continents of the global dataset LandCoverNet.
Abstract（参考訳）: センチネル-2(S2)衛星の打ち上げ以来、多くのMLモデルがこのデータを様々な用途に利用してきた。 S2製品内のシーン分類層(SCL)は、クラウドカバレッジの高いイメージをフィルタリングするなど、トレーニングのための豊富な情報を提供する。しかし、これにはより多くの可能性がある。本稿では,SITSで表現され,S2ベースのSCLデータを用いて計算された領域のクリーンな光カバレッジを評価する手法を提案する。提案手法は,手動しきい値とSCLの特定のラベルを用いて,時系列の空間的および時間的カバレッジのパーセンテージと高い/低い評価を割り当てる。強化農業におけるAI4EO課題を評価した結果,MLモデルの予測結果と相関関係があることが判明した。空間的・時間的範囲が低い地域での分類は、高い範囲の地域よりも悪い。最後に,この手法をグローバルデータセットLandCoverNetの全大陸にわたって適用した。

関連論文リスト

FRACTAL: An Ultra-Large-Scale Aerial Lidar Dataset for 3D Semantic Segmentation of Diverse Landscapes [0.0]
7つのセマンティッククラスのための高品質なラベル付き10万個の高密度点雲からなる超大規模空中Lidarデータセットを提案する。データセットのデータ収集,アノテーション,キュレーションプロセスについて述べる。アート3Dポイントクラウド分類モデルを用いて,ベースラインのセマンティックセマンティックセマンティクス結果を提供する。
論文参考訳（メタデータ） (2024-05-07T19:37:22Z)
S4: Self-Supervised Sensing Across the Spectrum [8.889579110280483]
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。
論文参考訳（メタデータ） (2024-05-02T18:26:15Z)
Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。雲の光学的厚さ推定のための新しい合成データセットを提案する。信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
論文参考訳（メタデータ） (2023-11-23T14:28:28Z)
Integration of Sentinel-1 and Sentinel-2 data for Earth surface classification using Machine Learning algorithms implemented on Google Earth Engine [0.0]
Sentinel-1(S-1)とSentinel-2(S-2)のデータの統合は、Google Earth Engine(GEE)プラットフォーム上に実装された教師あり機械学習(ML)アルゴリズムによって行われる。その結果、レーダーと光学リモート検出が相補的な情報を提供し、表面被覆分類の恩恵を受け、一般的にマッピング精度が向上することを示した。
論文参考訳（メタデータ） (2023-08-22T10:44:30Z)
SSCBench: A Large-Scale 3D Semantic Scene Completion Benchmark for Autonomous Driving [87.8761593366609]
SSCBenchは、広く使用されている自動車データセットのシーンを統合するベンチマークである。我々は、単眼、三眼、クラウド入力を用いて、性能ギャップを評価するモデルをベンチマークする。クロスドメインの一般化テストを簡単にするために、さまざまなデータセットにまたがったセマンティックラベルを統一しています。
論文参考訳（メタデータ） (2023-06-15T09:56:33Z)
Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
論文参考訳（メタデータ） (2023-03-10T14:46:42Z)
Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文参考訳（メタデータ） (2023-02-24T12:04:46Z)
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)
Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文参考訳（メタデータ） (2020-08-11T19:10:32Z)
A Novel Spatial-Spectral Framework for the Classification of Hyperspectral Satellite Imagery [1.066048003460524]
本研究では,土地被覆分類データに含まれるスペクトル情報と空間情報の両方を考慮に入れた新しい枠組みを提案する。提案手法は,パヴィア大学とインド・パインズのデータセットでそれぞれ99.52%,98.31%の精度を達成し,従来の手法よりも優れている。
論文参考訳（メタデータ） (2020-07-22T16:12:08Z)

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。