論文の概要: Deep Learning Meets OBIA: Tasks, Challenges, Strategies, and Perspectives
- arxiv url: http://arxiv.org/abs/2408.01607v1
- Date: Fri, 2 Aug 2024 23:54:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 19:20:31.922469
- Title: Deep Learning Meets OBIA: Tasks, Challenges, Strategies, and Perspectives
- Title（参考訳）: Deep Learning Meets OBIA: Tasks, Challenges, Strategies, and Perspectives
- Authors: Lei Ma, Ziyun Yan, Mengmeng Li, Tao Liu, Liqin Tan, Xuan Wang, Weiqiang He, Ruikun Wang, Guangjun He, Heng Lu, Thomas Blaschke,
- Abstract要約: 深層学習は、特にピクセルレベルのアプリケーションやパッチレベルのアプリケーションにおいて、リモートセンシングにおいて大きな注目を集めている。
深層学習をオブジェクトベース画像解析(OBIA)に統合しようという試みは最初はあったが、その潜在能力は未解明のままである。
- 参考スコア（独自算出の注目度）: 8.11184750121407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has gained significant attention in remote sensing, especially in pixel- or patch-level applications. Despite initial attempts to integrate deep learning into object-based image analysis (OBIA), its full potential remains largely unexplored. In this article, as OBIA usage becomes more widespread, we conducted a comprehensive review and expansion of its task subdomains, with or without the integration of deep learning. Furthermore, we have identified and summarized five prevailing strategies to address the challenge of deep learning's limitations in directly processing unstructured object data within OBIA, and this review also recommends some important future research directions. Our goal with these endeavors is to inspire more exploration in this fascinating yet overlooked area and facilitate the integration of deep learning into OBIA processing workflows.
- Abstract（参考訳）: 深層学習は、特にピクセルレベルのアプリケーションやパッチレベルのアプリケーションにおいて、リモートセンシングにおいて大きな注目を集めている。
深層学習をオブジェクトベース画像解析(OBIA)に統合しようという試みは最初はあったが、その潜在能力は未解明のままである。
本稿では、OBIAの利用がより広まるにつれて、深層学習の統合の有無にかかわらず、タスクサブドメインの包括的なレビューと拡張を行った。
さらに、OBIA内での非構造化オブジェクトデータの直接処理におけるディープラーニングの限界に対処するための5つの一般的な戦略を特定し、要約し、また、いくつかの重要な研究方向性を推奨する。
これらの取り組みの目標は、この魅力的だが見落とされがちな領域でのさらなる探索を刺激し、深層学習のOBIA処理ワークフローへの統合を促進することです。
関連論文リスト
- Unveiling Entity-Level Unlearning for Large Language Models: A Comprehensive Analysis [32.455702022397666]
大規模言語モデルのアンラーニングは、セキュリティとプライバシの懸念に対処する可能性から、注目を集めている。
この研究の多くは、機密コンテンツを含む事前定義されたインスタンスの削除を対象とする、インスタンスレベルの未学習に集中している。
本稿では,対象モデルからエンティティ関連知識を完全に消去することを目的とした,エンティティレベルのアンラーニングという新しいタスクを提案する。
論文 参考訳（メタデータ） (2024-06-22T09:40:07Z) - Improving Interpretability of Deep Active Learning for Flood Inundation Mapping Through Class Ambiguity Indices Using Multi-spectral Satellite Imagery [1.842368798362815]
浸水マップは地球温暖化に伴う浸水リスクの増加に対応する重要な課題である。
教師付き学習における時間と労働集約的なデータラベリングプロセスに対処するため、深層学習戦略は実現可能なアプローチの1つである。
フラッドインダクションマッピング(IDAL-FIM)のための解釈可能な深部能動学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-29T18:33:17Z) - Position: Bayesian Deep Learning is Needed in the Age of Large-Scale AI [189.05642691423347]
本稿では,ベイズ深層学習(BDL)の強みを再考し,既存の課題を認識した。
これらの障害に対処するための、エキサイティングな研究の道のりが浮かび上がっている。
今後の議論は、大規模ファンデーションモデルをBDLと組み合わせて、その潜在能力を最大限に活用する方法に焦点を当てている。
論文 参考訳（メタデータ） (2024-02-01T17:45:26Z) - DEUX: Active Exploration for Learning Unsupervised Depth Perception [8.044217507775999]
我々は,学習深度完了のための能動的,タスクインフォームドな深度不確実性に基づく運動計画手法を開発した。
提案手法は,ロボット学習に基づく深度推定の統合に関する新たな洞察を提供するとともに,ゼロショットの一般化をさらに改善することを示す。
論文 参考訳（メタデータ） (2023-09-16T23:33:15Z) - Towards Deeply Unified Depth-aware Panoptic Segmentation with
Bi-directional Guidance Learning [63.63516124646916]
深度認識型パノプ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。
本稿では,クロスタスク機能学習を容易にする双方向指導学習手法を提案する。
本手法は,Cityscapes-DVPS と SemKITTI-DVPS の両データセットを用いた深度認識型パノプティックセグメンテーションのための新しい手法である。
論文 参考訳（メタデータ） (2023-07-27T11:28:33Z) - A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
蓄積とは、以前に獲得した知識の喪失または劣化を指す。
フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
論文 参考訳（メタデータ） (2023-07-16T16:27:58Z) - Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。
後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
論文 参考訳（メタデータ） (2020-12-02T15:56:11Z) - Accurate RGB-D Salient Object Detection via Collaborative Learning [101.82654054191443]
RGB-Dサリエンシ検出は、いくつかの課題シナリオにおいて素晴らしい能力を示している。
本稿では,エッジ,深度,塩分濃度をより効率的に活用する新しい協調学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-23T04:33:36Z) - Deep Learning Meets SAR [27.996959802587998]
リモートセンシングにおける深層学習は国際的な誇大広告となっているが、主に光学データの評価に限られている。
深層学習はSAR(Synthetic Aperture Radar)データ処理で導入されているが、最初の試みが成功したにもかかわらず、その大きな可能性はまだロックされていない。
論文 参考訳（メタデータ） (2020-06-17T17:46:36Z) - Offline Reinforcement Learning: Tutorial, Review, and Perspectives on
Open Problems [108.81683598693539]
オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。
我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
論文 参考訳（メタデータ） (2020-05-04T17:00:15Z) - Deep Learning for Sensor-based Human Activity Recognition: Overview,
Challenges and Opportunities [52.59080024266596]
本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。
まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。
次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
論文 参考訳（メタデータ） (2020-01-21T09:55:59Z)
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。