論文の概要: Sampling Strategies based on Wisdom of Crowds for Amazon Deforestation Detection

• arxiv url: http://arxiv.org/abs/2408.12381v1
• Date: Thu, 22 Aug 2024 13:21:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 13:53:43.097132
• Title: Sampling Strategies based on Wisdom of Crowds for Amazon Deforestation Detection
• Title（参考訳）: アマゾン森林破壊検知のための群集の知恵に基づくサンプリング戦略
• Authors: Hugo Resende, Eduardo B. Neto, Fabio A. M. Cappabianco, Alvaro L. Fazenda, Fabio A. Faria,
• Abstract要約: 2019年4月、フォレストアイス(FE)と呼ばれる市民科学と機械学習モデルに基づくプロジェクトが立ち上げられた。 FEは、森林破壊監視の取り組みにおいて、政府や非営利団体の専門家を支援する補助データを提供する。 最近の研究では、FEプロジェクトのボランティア/市民科学者のラベル付けが機械学習モデルの調整に役立つことが示されている。
• 参考スコア（独自算出の注目度）: 0.5825410941577593
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conserving tropical forests is highly relevant socially and ecologically because of their critical role in the global ecosystem. However, the ongoing deforestation and degradation affect millions of hectares each year, necessitating government or private initiatives to ensure effective forest monitoring. In April 2019, a project based on Citizen Science and Machine Learning models called ForestEyes (FE) was launched with the aim of providing supplementary data to assist experts from government and non-profit organizations in their deforestation monitoring efforts. Recent research has shown that labeling FE project volunteers/citizen scientists helps tailor machine learning models. In this sense, we adopt the FE project to create different sampling strategies based on the wisdom of crowds to select the most suitable samples from the training set to learn an SVM technique and obtain better classification results in deforestation detection tasks. In our experiments, we can show that our strategy based on user entropy-increasing achieved the best classification results in the deforestation detection task when compared with the random sampling strategies, as well as, reducing the convergence time of the SVM technique.
• Abstract（参考訳）: 熱帯林の保全は、地球生態系において重要な役割を担っているため、社会的・生態学的に非常に関係がある。 しかし、森林破壊と荒廃は毎年数百万ヘクタールに影響を及ぼし、効果的な森林モニタリングを確保するために政府や民間のイニシアチブを必要としている。 2019年4月、フォレストアイス(FE)と呼ばれる市民科学と機械学習モデルに基づくプロジェクトが立ち上げられた。 最近の研究では、FEプロジェクトのボランティア/市民科学者のラベル付けが機械学習モデルの調整に役立つことが示されている。 この意味で、私たちはFEプロジェクトを採用し、群衆の知恵に基づいて異なるサンプリング戦略を作成し、トレーニングセットから最も適したサンプルを選択し、SVM技術を学び、森林破壊検出タスクにおいてより良い分類結果を得る。 本実験では, ランダムサンプリング手法と比較して, 森林破壊検出タスクにおいて, ユーザのエントロピー増加に基づく戦略が, 最高の分類結果を達成し, SVM手法の収束時間を短縮することを示した。

関連論文リスト

• Adaptive teachers for amortized samplers [76.88721198565861]
  償却推論(英: Amortized inference)とは、ニューラルネットワークなどのパラメトリックモデルをトレーニングし、正確なサンプリングが可能な所定の非正規化密度で分布を近似するタスクである。 オフ・ポリティクスのRLトレーニングは多様でハイ・リワードな候補の発見を促進するが、既存の手法は依然として効率的な探索の課題に直面している。 そこで本研究では,高次領域の優先順位付けにより,初等補正標本作成者(学生)の指導を指導する適応学習分布(教師)を提案する。
  論文  参考訳（メタデータ） (2024-10-02T11:33:13Z)
• Enhancing Tree Type Detection in Forest Fire Risk Assessment: Multi-Stage Approach and Color Encoding with Forest Fire Risk Evaluation Framework for UAV Imagery [0.0]
  森林火災は世界中の生態系、経済、人間の健康に重大な脅威をもたらす。 高度なコンピュータビジョンアルゴリズムを備えた無人航空機は森林火災の検出と評価に有望な解決策を提供する。 UAVと多段階物体検出アルゴリズムを用いた統合森林火災リスク評価フレームワークを最適化する。
  論文  参考訳（メタデータ） (2024-07-27T05:52:31Z)
• A Satellite Band Selection Framework for Amazon Forest Deforestation Detection Task [0.5825410941577593]
  森林伐採と伐採は年間数百万ヘクタールに影響を及ぼし、効果的な森林モニタリングのために政府や民間のイニシアチブを必要としている。 本研究では,Univariate Marginal Distribution Algorithm (UMDA) を用いてLandsat-8衛星からスペクトル帯域を選択する手法を提案する。 この選択はセマンティックセグメンテーションアーキテクチャであるDeepLabv3+をガイドし、パフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-04-03T11:47:20Z)
• Pre-Training and Fine-Tuning Generative Flow Networks [61.90529626590415]
  本稿では,GFlowNetの報酬なし事前学習のための新しいアプローチを提案する。 自己指導型問題としてトレーニングをフレーミングすることで,候補空間の探索を学習する結果条件付きGFlowNetを提案する。 事前学習したOC-GFNモデルにより、下流タスクにおける新しい報酬関数をサンプリングできるポリシーを直接抽出できることを示す。
  論文  参考訳（メタデータ） (2023-10-05T09:53:22Z)
• ForensicsForest Family: A Series of Multi-scale Hierarchical Cascade Forests for Detecting GAN-generated Faces [53.739014757621376]
  我々は,GAN生成顔を検出するために,EmforensicsForest Familyと呼ばれる簡易かつ効果的な森林法について述べる。 ForenscisForestは、新しく提案された多層階層のカスケード林である。 Hybrid ForensicsForestはCNNレイヤをモデルに統合する。 Divide-and-Conquer ForensicsForestは、トレーニングサンプリングの一部のみを使用して、森林モデルを構築することができる。
  論文  参考訳（メタデータ） (2023-08-02T06:41:19Z)
• ForestEyes Project: Conception, Enhancements, and Challenges [68.8204255655161]
  この研究はフォレストEyesという市民科学プロジェクトを紹介している。 リモートセンシング画像の解析と分類を通じてボランティアの回答を用いて、熱帯雨林の森林破壊地域をモニタリングする。 これらの回答の品質を評価するために、ブラジルの法律Amazonのリモートセンシング画像を使用して、さまざまなキャンペーン/ワークフローがローンチされた。
  論文  参考訳（メタデータ） (2022-08-24T17:48:12Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• Deep Learning Based 3D Point Cloud Regression for Estimating Forest Biomass [15.956463815168034]
  森林バイオマス資源の知識とその開発は、効果的な気候変動対策を実施する上で重要である。 空中LiDARを用いたリモートセンシングは、大規模に植生のバイオマスを測定するのに利用できる。 本稿では,3次元LiDAR点雲データから,木材の体積,地上バイオマス(AGB)および炭素を直接推定する深層学習システムを提案する。
  論文  参考訳（メタデータ） (2021-12-21T16:26:13Z)
• ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep Learning on Satellite Imagery [10.924137779582814]
  インドネシアにおける森林被害の要因を分類するために,フォレストネットと呼ばれる深層学習モデルを開発した。 衛星画像を用いて、フォレストネットはどんな大きさの森林損失パッチでも森林破壊の直接の要因を特定する。
  論文  参考訳（メタデータ） (2020-11-11T00:28:40Z)
• Leveraging traditional ecological knowledge in ecosystem restoration projects utilizing machine learning [77.34726150561087]
  生態系修復プロジェクトの段階におけるコミュニティの関与は、コミュニティの健康改善に寄与する可能性がある。 適応的でスケーラブルなプラクティスは、エコシステム的なML修復プロジェクトのすべての段階において、学際的なコラボレーションを動機付けることができることを示唆している。
  論文  参考訳（メタデータ） (2020-06-22T16:17:48Z)

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。