論文の概要: KidSat: satellite imagery to map childhood poverty dataset and benchmark
- arxiv url: http://arxiv.org/abs/2407.05986v1
- Date: Mon, 8 Jul 2024 14:26:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 15:20:49.230587
- Title: KidSat: satellite imagery to map childhood poverty dataset and benchmark
- Title（参考訳）: KidSat: 子どもの貧困のデータセットとベンチマークを衛星画像でマッピングする
- Authors: Makkunda Sharma, Fan Yang, Duy-Nhat Vo, Esra Suel, Swapnil Mishra, Samir Bhatt, Oliver Fiala, William Rudgard, Seth Flaxman,
- Abstract要約: 衛星特徴表現のベンチマークを行うために,衛星画像のペア化と子どもの貧困度に関する高品質な調査データを提案する。
このデータセットは、1997-2022年の東アフリカと南アフリカの19カ国から、それぞれ10km$times$10kmの33,608枚の画像で構成されています。
- 参考スコア（独自算出の注目度）: 2.8270446809775174
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Satellite imagery has emerged as an important tool to analyse demographic, health, and development indicators. While various deep learning models have been built for these tasks, each is specific to a particular problem, with few standard benchmarks available. We propose a new dataset pairing satellite imagery and high-quality survey data on child poverty to benchmark satellite feature representations. Our dataset consists of 33,608 images, each 10 km $\times$ 10 km, from 19 countries in Eastern and Southern Africa in the time period 1997-2022. As defined by UNICEF, multidimensional child poverty covers six dimensions and it can be calculated from the face-to-face Demographic and Health Surveys (DHS) Program . As part of the benchmark, we test spatial as well as temporal generalization, by testing on unseen locations, and on data after the training years. Using our dataset we benchmark multiple models, from low-level satellite imagery models such as MOSAIKS , to deep learning foundation models, which include both generic vision models such as Self-Distillation with no Labels (DINOv2) models and specific satellite imagery models such as SatMAE. We provide open source code for building the satellite dataset, obtaining ground truth data from DHS and running various models assessed in our work.
- Abstract（参考訳）: 衛星画像は、人口統計、健康、開発指標を分析する重要なツールとして登場した。
これらのタスクのためにさまざまなディープラーニングモデルが構築されているが、それぞれが特定の問題に特化しており、標準ベンチマークはほとんど利用できない。
衛星特徴表現のベンチマークを行うために,衛星画像のペア化と子どもの貧困度に関する高品質な調査データを提案する。
われわれのデータセットは、1997-2022年の東アフリカと南アフリカの19カ国から、それぞれ10km$\times$10kmの33,608枚の画像で構成されている。
UNICEFが定義しているように、多次元の子どもの貧困は6次元をカバーしており、顔と顔のデモグラフィック・ヘルスサーベイ(DHS)プログラムから計算することができる。
ベンチマークの一部として、空間的および時間的一般化をテストし、見知らぬ場所や訓練後のデータでテストする。
我々のデータセットを用いて、MOSAIKSのような低レベル衛星画像モデルから、SatMAEのような特定の衛星画像モデルとラベルなしの自己蒸留(DINOv2)モデルのような一般的な視覚モデルを含むディープラーニング基礎モデルまで、複数のモデルをベンチマークする。
衛星データセット構築のためのオープンソースコードを提供し、DHSから真理データを取得し、我々の研究で評価された様々なモデルを実行する。
関連論文リスト
- 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) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳（メタデータ） (2023-08-31T16:26:17Z) - Building Segmentation on Satellite Images and Performance of
Post-Processing Methods [1.0499611180329804]
衛星画像のセグメンテーションは、都市、農業、通信網計画など多くの潜在的な用途に利用できる。
われわれは中国でいくつかのモデルを訓練し、その中の最高のモデルについて後処理を行った。
結果からわかるように、この分野の最先端の結果は得られていないが、結果は有望である。
論文 参考訳（メタデータ） (2022-12-28T06:16:39Z) - 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) - Convolutional Neural Processes for Inpainting Satellite Images [56.032183666893246]
Inpaintingは、既知のピクセルに基づいて何が欠けているかを予測することを含み、画像処理における古い問題である。
本研究では,LANDSAT 7衛星画像のスキャンライン塗装問題に対して,従来の手法や最先端のディープラーニング塗装モデルよりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2022-05-24T23:29:04Z) - 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) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳（メタデータ） (2021-05-07T03:49:26Z) - The Multi-Temporal Urban Development SpaceNet Dataset [7.606927524074595]
本稿では,Multi-Temporal Urban Development SpaceNet(MUDS)データセットを提案する。
このオープンソースのデータセットは、中程度の解像度 (4.0m) の衛星画像モザイクで構成されている。
各建物にはユニークな識別子(アドレス)が割り当てられており、時間とともに個々のオブジェクトを追跡することができる。
都市化を直接評価し, 建物フットプリント構築(あるいは解体)を経時的に追跡する方法を実証する。
論文 参考訳（メタデータ） (2021-02-08T18:28:52Z) - Overhead MNIST: A Benchmark Satellite Dataset [0.0]
このデータセットは、100万人以上の人間が参加し、キュレートされたサンプルから抽出された公開ベンチマークを提供する。
移動学習と畳み込みニューラルネットワーク(MobileNetV2)を用いたプロトタイプのディープラーニングアプローチは、平均96.7%の精度で10のオーバヘッドクラスを正しく識別する。
衛星画像と物体認識のアップグレードのために、この新しいデータセットは災害救助、土地利用管理、その他の伝統的なリモートセンシングタスクなどの多様な取り組みに役立っている。
論文 参考訳（メタデータ） (2021-02-08T14:57:49Z) - Monitoring Spatial Sustainable Development: semi-automated analysis of
Satellite and Aerial Images for Energy Transition and Sustainability
Indicators [0.0]
DeepSolarisプロジェクトは「加盟国の地質統計と地理空間情報」というESSの行動の下で実行された。
プロジェクト期間中、リモートセンシングデータ中のソーラーパネルを検出するために、いくつかのディープラーニングアルゴリズムが評価された。
このプロジェクトの目的は、欧州連合の様々な加盟国で機能するディープラーニングモデルを開発できるかどうかを評価することである。
論文 参考訳（メタデータ） (2020-09-12T07:09:59Z) - Model Generalization in Deep Learning Applications for Land Cover
Mapping [19.570391828806567]
深層学習モデルが特定の大陸/シリーズのデータに基づいて訓練される場合,サンプル外大陸/シリーズのモデル性能に高いばらつきがあることが示される。
これは、モデルがひとつの大陸や季節における土地利用クラスを正確に予測するからといって、異なる大陸や季節における土地利用クラスを正確に予測するという意味ではないことを示唆している。
論文 参考訳（メタデータ） (2020-08-09T01:50:52Z)
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。