論文の概要: WildSAT: Learning Satellite Image Representations from Wildlife Observations

• arxiv url: http://arxiv.org/abs/2412.14428v1
• Date: Thu, 19 Dec 2024 00:52:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:32:27.168561
• Title: WildSAT: Learning Satellite Image Representations from Wildlife Observations
• Title（参考訳）: 野生生物観測から衛星画像の表現を学習するWildSAT
• Authors: Rangel Daroya, Elijah Cole, Oisin Mac Aodha, Grant Van Horn, Subhransu Maji,
• Abstract要約: 衛星画像と何百万ものジオタグ付き観測データを組み合わせ、市民科学プラットフォームで容易に利用できるWildSATを紹介した。 本研究では,WildSATが他の形態のクロスモーダル監視手法よりも優れた表現を実現していることを示す。
• 参考スコア（独自算出の注目度）: 33.660389502623644
• License:
• Abstract: What does the presence of a species reveal about a geographic location? We posit that habitat, climate, and environmental preferences reflected in species distributions provide a rich source of supervision for learning satellite image representations. We introduce WildSAT, which pairs satellite images with millions of geo-tagged wildlife observations readily-available on citizen science platforms. WildSAT uses a contrastive learning framework to combine information from species distribution maps with text descriptions that capture habitat and range details, alongside satellite images, to train or fine-tune models. On a range of downstream satellite image recognition tasks, this significantly improves the performance of both randomly initialized models and pre-trained models from sources like ImageNet or specialized satellite image datasets. Additionally, the alignment with text enables zero-shot retrieval, allowing for search based on general descriptions of locations. We demonstrate that WildSAT achieves better representations than recent methods that utilize other forms of cross-modal supervision, such as aligning satellite images with ground images or wildlife photos. Finally, we analyze the impact of various design choices on downstream performance, highlighting the general applicability of our approach.
• Abstract（参考訳）: 地理的な位置について、種の存在は何か。 種分布に反映される生息地,気候,環境の嗜好は,衛星画像の表現を学習するための豊富な監督源となると仮定する。 衛星画像と地球にタグ付けされた何百万もの野生生物の観察を、市民科学プラットフォームで容易に利用できるようにするWildSATを紹介した。 WildSATは、種の分布マップからの情報とテキスト記述を組み合わせるために、対照的な学習フレームワークを使用し、衛星画像とともに生息地や範囲の詳細を捉え、訓練や微調整のモデルを作成する。 下流の衛星画像認識タスクでは、ImageNetや特殊な衛星画像データセットなどのソースからランダムに初期化されたモデルと事前訓練されたモデルの両方のパフォーマンスが大幅に向上する。 さらにテキストとのアライメントにより、ゼロショット検索が可能となり、位置の一般的な記述に基づいた検索が可能になる。 本研究では、衛星画像と地上画像や野生生物写真との整合性など、他の形態の相互監督を利用する方法よりも、WildSATの方が優れた表現を実現していることを示す。 最後に、ダウンストリーム性能に対する様々な設計選択の影響を分析し、アプローチの一般適用性を強調した。

関連論文リスト

• Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
  本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。 地上画像ごとに正の衛星画像と負の衛星画像を導き出す。 また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-10T12:57:16Z)
• Geospecific View Generation -- Geometry-Context Aware High-resolution Ground View Inference from Satellite Views [5.146618378243241]
  多視点衛星画像から弱い幾何学やテクスチャを最大限に尊重するジオ特殊ビューを生成するための新しいパイプラインを提案する。 本手法は,衛星画像からの包括的情報を用いて,位置の地上画像を直接予測する。 我々のパイプラインは、衛星画像のみに基づいて、実物に近い地上ビューを初めて生成したものであることを実証する。
  論文  参考訳（メタデータ） (2024-07-10T21:51:50Z)
• Using Texture to Classify Forests Separately from Vegetation [0.0]
  本稿では,衛星画像データ中の森林領域を同定する静的アルゴリズムプロセスの初期提案について述べる。 そこで本研究では,分類および検証プロセスの精度向上のための次のステップについて述べる。
  論文  参考訳（メタデータ） (2024-05-01T00:48:55Z)
• Vehicle Perception from Satellite [54.07157185000604]
  データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。 小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。 128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
  論文  参考訳（メタデータ） (2024-02-01T15:59:16Z)
• 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)
• Multimodal Foundation Models for Zero-shot Animal Species Recognition in Camera Trap Images [57.96659470133514]
  モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。 教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。 コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-02T08:32:00Z)
• Unsupervised Discovery of Semantic Concepts in Satellite Imagery with Style-based Wavelet-driven Generative Models [27.62417543307831]
  本稿では,衛星画像の広帯域合成が可能な,最初の事前学習型およびウェーブレット型GANモデルを提案する。 ネットワークの中間的アクティベーションを解析することにより、解釈可能なセマンティックな方向を多数発見できることが示される。
  論文  参考訳（メタデータ） (2022-08-03T14:19:24Z)
• Manipulating UAV Imagery for Satellite Model Training, Calibration and Testing [4.514832807541816]
  現代の家畜の農業はますますデータ駆動化が進み、広範囲のデータを収集するために効率的なリモートセンシングに依存している。 衛星画像はそのようなデータソースの1つであり、カバー範囲が増加しコストが低下するにつれて、農家にとってアクセスしやすくなっている。 本稿では,衛星データの品質に合わせた高分解能UAV画像の多時間データセットを提案する。
  論文  参考訳（メタデータ） (2022-03-22T03:57:02Z)
• 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)
• Coming Down to Earth: Satellite-to-Street View Synthesis for Geo-Localization [9.333087475006003]
  クロスビュー画像に基づくジオローカライズは,この2つの領域間の視野と外観の違いから,非常に困難である。 衛星入力からリアルなストリートビューを合成することで,この不一致を明示的に解決できることを示す。 本稿では,画像合成と検索を共同で行うマルチタスクアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-03-11T17:40:59Z)

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。