論文の概要: reBEN: Refined BigEarthNet Dataset for Remote Sensing Image Analysis
- arxiv url: http://arxiv.org/abs/2407.03653v2
- Date: Mon, 29 Jul 2024 12:53:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 22:48:36.592849
- Title: reBEN: Refined BigEarthNet Dataset for Remote Sensing Image Analysis
- Title（参考訳）: reBEN:Refined BigEarthNet Dataset for Remote Sensing Image Analysis
- Authors: Kai Norman Clasen, Leonard Hackel, Tom Burgert, Gencer Sumbul, Begüm Demir, Volker Markl,
- Abstract要約: BigEarthNetは、リモートセンシング画像解析のためのディープラーニング(DL)研究を支援するために構築された、大規模でマルチモーダルなリモートセンシングデータセットである。
reBENデータセットは、Sentinel-1とSentinel-2の画像パッチの549,488対で構成されている。
- 参考スコア（独自算出の注目度）: 9.308800461569561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents refined BigEarthNet (reBEN) that is a large-scale, multi-modal remote sensing dataset constructed to support deep learning (DL) studies for remote sensing image analysis. The reBEN dataset consists of 549,488 pairs of Sentinel-1 and Sentinel-2 image patches. To construct reBEN, we initially consider the Sentinel-1 and Sentinel-2 tiles used to construct the BigEarthNet dataset and then divide them into patches of size 1200 m x 1200 m. We apply atmospheric correction to the Sentinel-2 patches using the latest version of the sen2cor tool, resulting in higher-quality patches compared to those present in BigEarthNet. Each patch is then associated with a pixel-level reference map and scene-level multi-labels. This makes reBEN suitable for pixel- and scene-based learning tasks. The labels are derived from the most recent CORINE Land Cover (CLC) map of 2018 by utilizing the 19-class nomenclature as in BigEarthNet. The use of the most recent CLC map results in overcoming the label noise present in BigEarthNet. Furthermore, we introduce a new geographical-based split assignment algorithm that significantly reduces the spatial correlation among the train, validation, and test sets with respect to those present in BigEarthNet. This increases the reliability of the evaluation of DL models. To minimize the DL model training time, we introduce software tools that convert the reBEN dataset into a DL-optimized data format. In our experiments, we show the potential of reBEN for multi-modal multi-label image classification problems by considering several state-of-the-art DL models. The pre-trained model weights, associated code, and complete dataset are available at https://bigearth.net.
- Abstract（参考訳）: 本稿では,リモートセンシング画像解析のための深層学習(DL)研究を支援するために構築された大規模マルチモーダルリモートセンシングデータセットであるBigEarthNet(reBEN)を提案する。
reBENデータセットは、Sentinel-1とSentinel-2の画像パッチの549,488対で構成されている。
reBENを構築するには、まずSentinel-1とSentinel-2のタイルを使ってBigEarthNetデータセットを構築し、1200 m x 1200 mのパッチに分割する。
我々は,Sentinel-2パッチに対して,最新のSentinelツールを用いて大気補正を行い,その結果,BigEarthNetよりも高品質なパッチが得られた。
各パッチはピクセルレベルの参照マップとシーンレベルのマルチラベルに関連付けられている。
これにより、reBENはピクセルベースおよびシーンベースの学習タスクに適している。
ラベルは、BigEarthNetのような19クラスの命名法を利用して、2018年の最新のCORINE Land Cover (CLC)マップに由来する。
最新のCLCマップを使用することで、BigEarthNetにあるラベルノイズを克服することができる。
さらに, 列車間の空間的相関, 検証, テストセットを, BigEarthNet に存在するものに対して著しく低減する新しい地理的分割割当アルゴリズムを提案する。
これにより、DLモデルの評価の信頼性が向上する。
DLモデルのトレーニング時間を最小化するために,reBENデータセットをDL最適化データフォーマットに変換するソフトウェアツールを導入する。
本研究では,複数の最先端DLモデルを考慮したマルチモーダル多ラベル画像分類問題に対するreBENの可能性を示す。
トレーニング済みのモデルウェイト、関連コード、完全なデータセットはhttps://bigearth.net.comで入手できる。
関連論文リスト
- SCAResNet: A ResNet Variant Optimized for Tiny Object Detection in Transmission and Distribution Towers [0.42028553027796633]
従来のディープラーニングベースのオブジェクト検出ネットワークは、データ前処理の段階でイメージをリサイズし、特徴マップの均一なサイズとスケールを達成する。
本研究では,複数の表現部分空間からコンテキスト情報を抽出し学習するために,位置対応型マルチヘッドCriss-Cross Imageryを導入する。
このアプローチにより、大きさやスケールの異なる画像が一様次元の特徴写像を生成でき、特徴写像の伝搬に利用できる。
論文 参考訳（メタデータ） (2024-04-05T15:48:36Z) - HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D
Images [58.720142291102135]
本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。
データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
論文 参考訳（メタデータ） (2022-12-30T12:20:56Z) - 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic
Segmentation Track [67.56316745239629]
本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。
本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。
提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
論文 参考訳（メタデータ） (2022-10-23T20:52:22Z) - RTMV: A Ray-Traced Multi-View Synthetic Dataset for Novel View Synthesis [104.53930611219654]
約2000の複雑なシーンからレンダリングされた300k画像からなる,新しいビュー合成のための大規模合成データセットを提案する。
データセットは、新しいビュー合成のための既存の合成データセットよりも桁違いに大きい。
高品質な3Dメッシュの4つのソースを使用して、私たちのデータセットのシーンは、カメラビュー、照明、形状、材料、テクスチャの難しいバリエーションを示します。
論文 参考訳（メタデータ） (2022-05-14T13:15:32Z) - CroCo: Cross-Modal Contrastive learning for localization of Earth
Observation data [62.96337162094726]
地上のLiDAR点雲をリモートセンシング画像上にローカライズすることに興味がある。
本稿では,DEMと高分解能光学画像に基づいて学習を行うコントラスト学習手法を提案する。
ベストシナリオは、トップ1スコア0.71、トップ5スコア0.81を得る。
論文 参考訳（メタデータ） (2022-04-14T15:55:00Z) - BigDatasetGAN: Synthesizing ImageNet with Pixel-wise Annotations [89.42397034542189]
我々は,GAN(Generative Adversarial Network)を介して,大規模ラベル付きデータセットを合成する。
我々は、ImageNetで訓練されたクラス条件生成モデルBigGANの画像サンプルを、すべての1kクラスに対して、クラス毎の5つのイメージを手動でアノテートする。
我々は、追加の8k実画像のセットをラベル付けして、新しいImageNetベンチマークを作成し、様々な設定でセグメンテーション性能を評価する。
論文 参考訳（メタデータ） (2022-01-12T20:28:34Z) - CalCROP21: A Georeferenced multi-spectral dataset of Satellite Imagery
and Crop Labels [20.951184753721503]
アメリカ農務省(USDA)は毎年、アメリカ全土で30mの解像度で作物のラベルを含むCropland Data Layer(CDL)を発売している。
CalCROP21と呼ばれる新しいセマンティックセグメンテーションベンチマークデータセットを作成し、カリフォルニア州セントラルバレー地域の多種多様な作物を空間分解能10mで作成する。
論文 参考訳（メタデータ） (2021-07-26T22:20:16Z) - Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。
従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。
本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
論文 参考訳（メタデータ） (2021-05-22T10:17:38Z) - BigEarthNet-MM: A Large Scale Multi-Modal Multi-Label Benchmark Archive
for Remote Sensing Image Classification and Retrieval [8.079043927935862]
本稿では,590,326組のSentinel-1とSentinel-2の画像パッチからなるBigEarthNet(BigEarthNet-MM)ベンチマークアーカイブを提案する。
それぞれのパッチには2018年のcorine land cover(clc)マップで提供される複数のラベルがアノテートされている。
論文 参考訳（メタデータ） (2021-05-17T15:00:31Z) - BigEarthNet Dataset with A New Class-Nomenclature for Remote Sensing
Image Understanding [1.930511407898565]
本稿では,大規模なSentinel-2マルチスペクトル画像データセットであるBigEarthNetについて述べる。
BigEarthNetは、2018年のCORINE Land Cover (CLC)マップが提供する複数ラベルの注釈付き590,326の画像パッチで構成されている。
本稿では,センチネル2画像の複雑な空間的およびスペクトル的情報内容について,DLモデルによるより優れた学習と記述を可能にするクラス命名法を提案する。
論文 参考訳（メタデータ） (2020-01-17T15:29:24Z)
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。