論文の概要: Tree species classification at the pixel-level using deep learning and multispectral time series in an imbalanced context

• arxiv url: http://arxiv.org/abs/2408.08887v1
• Date: Mon, 5 Aug 2024 13:44:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-25 14:30:57.221167
• Title: Tree species classification at the pixel-level using deep learning and multispectral time series in an imbalanced context
• Title（参考訳）: 深層学習とマルチスペクトル時系列を用いた不均衡文脈における画素レベルの木種分類
• Authors: Florian Mouret, David Morin, Milena Planells, Cécile Vincent-Barbaroux,
• Abstract要約: 本稿では,Sentinel-2マルチスペクトル衛星画像時系列を用いた木種分類について検討する。 ディープラーニングモデルを使用することで,分類結果の大幅な改善が期待できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates tree species classification using Sentinel-2 multispectral satellite image time-series. Despite their critical importance for many applications, such maps are often unavailable, outdated, or inaccurate for large areas. The interest of using remote sensing time series to produce these maps has been highlighted in many studies. However, many methods proposed in the literature still rely on a standard classification algorithm, usually the Random Forest (RF) algorithm with vegetation indices. This study shows that the use of deep learning models can lead to a significant improvement in classification results, especially in an imbalanced context where the RF algorithm tends to predict towards the majority class. In our use case in the center of France with 10 tree species, we obtain an overall accuracy (OA) around 95% and a F1-macro score around 80% using three different benchmark deep learning architectures. In contrast, using the RF algorithm yields an OA of 93% and an F1 of 60%, indicating that the minority classes are not classified with sufficient accuracy. Therefore, the proposed framework is a strong baseline that can be easily implemented in most scenarios, even with a limited amount of reference data. Our results highlight that standard multilayer perceptron can be competitive with batch normalization and a sufficient amount of parameters. Other architectures (convolutional or attention-based) can also achieve strong results when tuned properly. Furthermore, our results show that DL models are naturally robust to imbalanced data, although similar results can be obtained using dedicated techniques.
• Abstract（参考訳）: 本稿では,Sentinel-2マルチスペクトル衛星画像時系列を用いた木種分類について検討する。 多くのアプリケーションにとって重要な意味があるにもかかわらず、そのような地図はしばしば利用できない、時代遅れである、あるいは大きな領域で不正確である。 これらの地図を作成するためにリモートセンシング時系列を使用するという関心は、多くの研究で強調されている。 しかし、文献で提案された多くの手法は依然として標準的な分類アルゴリズム(通常、植生指標を持つランダムフォレスト(RF)アルゴリズム)に依存している。 本研究は,RFアルゴリズムが多数派に対して予測する傾向にある不均衡な状況において,ディープラーニングモデルを用いることで,分類結果の大幅な改善につながることを示唆する。 10種の樹種を持つフランス中部のユースケースでは,3つの異なるベンチマークディープラーニングアーキテクチャを用いて,95%程度の総合的精度(OA)とF1マクロスコア(F1-macro score)を80%程度取得した。 対照的に、RFアルゴリズムを使用すると、OAは93%、F1は60%となり、マイノリティクラスは十分な精度で分類されない。 したがって,提案フレームワークは,参照データが少ない場合でも,ほとんどのシナリオで容易に実装できる強力なベースラインである。 この結果から, 標準的な多層パーセプトロンは, バッチ正規化と十分な量のパラメータとを競合させることができることがわかった。 その他のアーキテクチャ(畳み込みや注意に基づく)も、適切に調整すれば、強い結果が得られる。 さらに,本研究の結果から,DLモデルは不均衡なデータに対して自然に頑健であることが明らかとなった。

関連論文リスト

• Low-Resource Crop Classification from Multi-Spectral Time Series Using Lossless Compressors [6.379065975644869]
  深層学習は多スペクトル時間データを用いた作物分類の精度を大幅に向上させた。 ラベル付きサンプルが少ない低リソース環境では、深層学習モデルは不十分なデータのために性能が悪い。 本稿では,これらの状況に対処するために,ディープラーニングモデルに代わる非学習的代替案を提案する。
  論文  参考訳（メタデータ） (2024-05-28T12:28:12Z)
• Sparsity May Cry: Let Us Fail (Current) Sparse Neural Networks Together! [100.19080749267316]
  Sparsity May Cry"ベンチマーク(SMC-Bench)は、慎重に計算された4つのタスクと10のデータセットのコレクションである。 SMC-Benchは、よりスケーラブルで一般化可能なスパースアルゴリズムの開発を奨励するように設計されている。
  論文  参考訳（メタデータ） (2023-03-03T18:47:21Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Spatio-temporal Crop Classification On Volumetric Data [3.2880869992413246]
  多スペクトル画像を用いた大規模作物分類は数十年にわたって広く研究されてきた問題である。 深層畳み込みニューラルネットワーク(dcnn)が提案されているが、ランダムフォレストに匹敵する結果しか得られていない。 本研究では,大規模作物分類のための新しいCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-03-18T07:13:53Z)
• Robust Pollen Imagery Classification with Generative Modeling and Mixup Training [0.0]
  本論文では,花粉の航空画像分類を一般化できる,堅牢な深層学習フレームワークを提案する。 我々は,畳み込みニューラルネットワークを用いた花粉の粒度分類手法を開発し,ディープラーニングのベストプラクティスを組み合わせることで,より一般化する。 提案されたアプローチは、ICPR-2020 Pollen Grain Classification Challengeの最終ランキングで4位となった。
  論文  参考訳（メタデータ） (2021-02-25T19:39:24Z)
• Classification of Polarimetric SAR Images Using Compact Convolutional Neural Networks [24.553598498985796]
  PolSAR画像の分類には,新しい,体系的な分類フレームワークが提案されている。 スライドウインドウ分類手法を用いたCNNのコンパクトで適応的な実装に基づいている。 提案手法は深層CNNよりも小さいウィンドウサイズで分類できる。
  論文  参考訳（メタデータ） (2020-11-10T17:09:11Z)
• Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
  我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-08-13T03:52:37Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。