論文の概要: Performance Evaluation of Geospatial Images based on Zarr and Tiff
- arxiv url: http://arxiv.org/abs/2411.11291v1
- Date: Mon, 18 Nov 2024 05:34:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:33:04.487155
- Title: Performance Evaluation of Geospatial Images based on Zarr and Tiff
- Title（参考訳）: Zarr と Tiff を用いた地理空間画像の性能評価
- Authors: Jaheer Khan, Swarup E, Rakshit Ramesh,
- Abstract要約: これにより、ZarrとTIFFの2つの異なるデータストレージフォーマットを用いて、地理空間画像処理の性能を評価する。
従来のタグ付きイメージファイルフォーマットは、シンプルで互換性があるが、大規模なデータセットで作業する際のパフォーマンス制限が欠けているため、主に使用されている。
Zarは、データチャンキングと圧縮技術を備えたスケーラビリティと効率的なストレージを提供する、クラウドシステム用に設計された新しいフォーマットである。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: This evaluate the performance of geospatial image processing using two distinct data storage formats: Zarr and TIFF. Geospatial images, converted to numerous applications like environmental monitoring, urban planning, and disaster management. Traditional Tagged Image File Format is mostly used because it is simple and compatible but may lack by performance limitations while working on large datasets. Zarr is a new format designed for the cloud systems,that offers scalability and efficient storage with data chunking and compression techniques. This study compares the two formats in terms of storage efficiency, access speed, and computational performance during typical geospatial processing tasks. Through analysis on a range of geospatial datasets, this provides details about the practical advantages and limitations of each format,helping users to select the appropriate format based on their specific needs and constraints.
- Abstract（参考訳）: これにより、ZarrとTIFFの2つの異なるデータストレージフォーマットを用いて、地理空間画像処理の性能を評価する。
地理空間画像 - 環境モニタリング、都市計画、災害管理など多くの応用に変換される。
従来のタグ付きイメージファイルフォーマットは、シンプルで互換性があるが、大規模なデータセットで作業する際のパフォーマンス制限が欠けているため、主に使用されている。
Zarrは、データチャンキングと圧縮技術を備えたスケーラビリティと効率的なストレージを提供する、クラウドシステム用に設計された新しいフォーマットである。
本研究では, 典型的な地理空間処理タスクにおける記憶効率, アクセス速度, 計算性能の両形式を比較した。
地理空間データセットの分析を通じて、各フォーマットの実用的メリットと制限の詳細が提供され、ユーザーはそれぞれのニーズと制約に基づいて適切なフォーマットを選択することができる。
関連論文リスト
- SceneGraphLoc: Cross-Modal Coarse Visual Localization on 3D Scene Graphs [81.2396059480232]
SceneGraphLocはシーングラフ内の各ノード(つまりオブジェクトインスタンスを表す)に対する固定サイズの埋め込みを学習する。
画像を利用する場合、SceneGraphLocは、大規模な画像データベースに依存する最先端技術に近いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-03-30T20:25:16Z) - Img2Loc: Revisiting Image Geolocalization using Multi-modality Foundation Models and Image-based Retrieval-Augmented Generation [9.161203553842787]
画像位置情報をテキスト生成タスクとして再定義する新しいシステムであるImg2Locを提案する。
Img2LocはまずCLIPベースの表現を使用して画像ベースの座標クエリデータベースを生成する。
そして、クエリ結果と画像自体を一意に結合し、LMM用にカスタマイズされた精巧なプロンプトを形成する。
Im2GPS3kやYFCC4kのようなベンチマークデータセットでテストする場合、Img2Locは従来の最先端モデルのパフォーマンスを上回るだけでなく、モデルトレーニングなしでテストする。
論文 参考訳（メタデータ） (2024-03-28T17:07:02Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳（メタデータ） (2023-09-27T20:54:56Z) - CSP: Self-Supervised Contrastive Spatial Pre-Training for
Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。
デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。
CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文 参考訳（メタデータ） (2023-05-01T23:11:18Z) - Sample4Geo: Hard Negative Sampling For Cross-View Geo-Localisation [2.3020018305241337]
対称なInfoNCE損失を伴うコントラスト学習に基づく,シンプルだが効果的なアーキテクチャを提案する。
私たちのフレームワークは、アグリゲーションモジュールの使用を不要にする、狭いトレーニングパイプラインで構成されています。
本研究は,CVUSA,CVACT,University-1652,VIGORなどの一般的なクロスビューデータセットに対して,優れた性能を示す。
論文 参考訳（メタデータ） (2023-03-21T13:49:49Z) - Deep Visual Geo-localization Benchmark [42.675402470265674]
我々は、ビジュアルジオローカライゼーション(VG)のための新しいオープンソースのベンチマークフレームワークを提案する。
このフレームワークは、広く使用されている幅広いアーキテクチャの構築、トレーニング、テストを可能にする。
コードとトレーニングされたモデルはhttps://deep-vg-bench.herokuapp.com/で公開されている。
論文 参考訳（メタデータ） (2022-04-07T13:47:49Z) - Variable-Rate Deep Image Compression through Spatially-Adaptive Feature
Transform [58.60004238261117]
空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。
本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。
提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
論文 参考訳（メタデータ） (2021-08-21T17:30:06Z) - Gigapixel Histopathological Image Analysis using Attention-based Neural
Networks [7.1715252990097325]
圧縮経路と学習経路からなるCNN構造を提案する。
本手法は,グローバル情報とローカル情報の両方を統合し,入力画像のサイズに関して柔軟であり,弱い画像レベルラベルのみを必要とする。
論文 参考訳（メタデータ） (2021-01-25T10:18:52Z) - Learning to Localize Through Compressed Binary Maps [83.03367511221437]
私たちは、地図表現をローカリゼーションタスクに最適なように圧縮することを学びます。
本実験により,汎用コーデック上での2桁のストレージ要求を削減できるタスク固有圧縮を学習できることが示唆された。
論文 参考訳（メタデータ） (2020-12-20T14:47:15Z) - Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。
ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。
合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文 参考訳（メタデータ） (2020-04-01T12:56:13Z)
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。