論文の概要: A region-wide, multi-year set of crop field boundary labels for Africa

• arxiv url: http://arxiv.org/abs/2412.18483v1
• Date: Tue, 24 Dec 2024 15:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:54:53.261702
• Title: A region-wide, multi-year set of crop field boundary labels for Africa
• Title（参考訳）: アフリカにおける多年連続作物畑境界ラベルの地域別分類
• Authors: L. D. Estes, A. Wussah, M. Asipunu, M. Gathigi, P. Kovačič, J. Muhando, B. V. Yeboah, F. K. Addai, E. S. Akakpo, M. K. Allotey, P. Amkoya, E. Amponsem, K. D. Donkoh, N. Ha, E. Heltzel, C. Juma, R. Mdawida, A. Miroyo, J. Mucha, J. Mugami, F. Mwawaza, D. A. Nyarko, P. Oduor, K. N. Ohemeng, S. I. D. Segbefia, T. Tumbula, F. Wambua, G. H. Xeflide, S. Ye, F. Yeboah,
• Abstract要約: 2017年から2023年の間に撮影された33,746枚のプラネット画像で、フィールドの境界線を定めました。 品質指標では、ラベルの品質は、全フィールド範囲の尺度では適度に高い(0.75)が、個々のフィールドの個数に関して低いことが示されている。 このサンプルは、中央値の畑の大きさと密度の変動を浮き彫りにして、地域の農業特性に関する貴重な知見を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: African agriculture is undergoing rapid transformation. Annual maps of crop fields are key to understanding the nature of this transformation, but such maps are currently lacking and must be developed using advanced machine learning models trained on high resolution remote sensing imagery. To enable the development of such models, we delineated field boundaries in 33,746 Planet images captured between 2017 and 2023 across the continent using a custom labeling platform with built-in procedures for assessing and mitigating label error. We collected 42,403 labels, including 7,204 labels arising from tasks dedicated to assessing label quality (Class 1 labels), 32,167 from sites mapped once by a single labeller (Class 2) and 3,032 labels from sites where 3 or more labellers were tasked to map the same location (Class 4). Class 1 labels were used to calculate labeller-specific quality scores, while Class 1 and 4 sites mapped by at least 3 labellers were used to further evaluate label uncertainty using a Bayesian risk metric. Quality metrics showed that label quality was moderately high (0.75) for measures of total field extent, but low regarding the number of individual fields delineated (0.33), and the position of field edges (0.05). These values are expected when delineating small-scale fields in 3-5 m resolution imagery, which can be too coarse to reliably distinguish smaller fields, particularly in dense croplands, and therefore requires substantial labeller judgement. Nevertheless, previous work shows that such labels can train effective field mapping models. Furthermore, this large, probabilistic sample on its own provides valuable insight into regional agricultural characteristics, highlighting variations in the median field size and density. The imagery and vectorized labels along with quality information is available for download from two public repositories.
• Abstract（参考訳）: アフリカの農業は急速に変化している。 作物畑の年次地図はこの変換の性質を理解する上で重要であるが、これらの地図は現在不足しており、高解像度リモートセンシング画像に基づいて訓練された高度な機械学習モデルを用いて開発する必要がある。 このようなモデルの開発を可能にするため、2017年から2023年の間に大陸で撮影された33,746個のプラネット画像において、ラベルエラーを評価し軽減するための独自のラベル付けプラットフォームを用いて、フィールド境界をデライン化した。 ラベル品質評価専用のタスク(Class 1ラベル)から生じる7,204ラベル,単一ラベルラーが一度マップしたサイト(Class 2)から32,167ラベル,および3以上のラベルラーが同じ位置をマップするよう指示されたサイト(Class 4)から3,032ラベルを収集した(Class 4)。 第1級ラベルはラベルラー固有の品質スコアを計算するために用いられ、第1級と第4級のサイトは少なくとも3つのラベルラーによってマッピングされ、ベイズリスクメトリクスを用いてラベルの不確実性を評価するために使用された。 品質指標から, ラベル品質は全フィールド範囲の尺度では適度に高い (0.75) が, 個々のフィールド数0.33, フィールドエッジ位置0.05に対して低い (0.75) 。 これらの値は、3-5mの解像度画像で小規模のフィールドを直線化する場合に期待できるが、これは特に高密度の農地において、より小さなフィールドを確実に区別するには粗いため、実質的なラベルラー判定を必要とする。 それにもかかわらず、以前の研究はそのようなラベルが効果的なフィールドマッピングモデルを訓練できることを示していた。 さらに、この大規模で確率的なサンプルは、地域農業の特徴について貴重な洞察を与え、中央値の畑の大きさと密度の変化を強調している。 イメージとベクター化されたラベルと品質情報は、2つのパブリックリポジトリからダウンロードできる。

関連論文リスト

• Online Multi-Label Classification under Noisy and Changing Label Distribution [9.17381554071824]
  本稿では,Nuisy and Changing Label Distribution (NCLD) に基づくオンラインマルチラベル分類アルゴリズムを提案する。 NCLDへの頑健さは3つの新作の恩恵を受けるため,ラベルスコアとラベルランキングを高い精度で同時にモデル化することを目的としている。
  論文  参考訳（メタデータ） (2024-10-03T11:16:43Z)
• Weak Labeling for Cropland Mapping in Africa [3.5759681393339697]
  作物のマッピングは、環境、農業、食料安全保障の課題に対処する上で重要な役割を担っている。 アフリカでは、高解像度の作物地図の入手が限られているため、実用的な応用がしばしば妨げられている。 本稿では、教師なしオブジェクトクラスタリングを利用して、既存の弱いラベルを洗練する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-13T08:45:41Z)
• Taking it further: leveraging pseudo labels for field delineation across label-scarce smallholder regions [2.8120847363433654]
  本研究は、地理とセンサ特性を横断する微調整モデルにスパースフィールドデライン付き擬似ラベルを使用する機会について検討する。 本研究では,インドにおける作物の作付けを訓練したフラクタルResUNetを構築し,この事前学習モデルを用いてモザンビークの擬似ラベルを生成する。 次に、人間の注釈付きラベルと擬似ラベルをモデル微調整に使用し、人体アノテーションに対する予測を比較した。
  論文  参考訳（メタデータ） (2023-12-12T08:39:07Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• Bridging the Gap between Model Explanations in Partially Annotated Multi-label Classification [85.76130799062379]
  偽陰性ラベルがモデルの説明にどのように影響するかを考察する。 本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
  論文  参考訳（メタデータ） (2023-04-04T14:00:59Z)
• Heterogeneous Semantic Transfer for Multi-label Recognition with Partial Labels [70.45813147115126]
  部分ラベル付きマルチラベル画像認識(MLR-PL)は、アノテーションのコストを大幅に削減し、大規模なMLRを促進する。 それぞれの画像と異なる画像の間に強い意味的相関が存在することがわかった。 これらの相関関係は、未知のラベルを取得するために、既知のラベルが持つ知識を転送するのに役立ちます。
  論文  参考訳（メタデータ） (2022-05-23T08:37:38Z)
• Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [86.17081952197788]
  そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。 MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
  論文  参考訳（メタデータ） (2022-03-04T07:56:16Z)
• Semi-Supervised Learning with Taxonomic Labels [42.02670649470055]
  細粒度領域で画像分類器を訓練するために,粗い分類ラベルを組み込む手法を提案する。 3つの王国にまたがる810種からなるSemi-iNatデータセットでは、フィラムラベルを組み込むことで、種レベルの分類精度が6%向上する。 本稿では,階層構造に導かれる未ラベル画像の集合から,ロバスト性を改善するための関連データを選択する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T00:50:25Z)
• Crop mapping from image time series: deep learning with multi-scale label hierarchies [22.58506027920305]
  専門家の知識を活用し,希少作物の分布を著しく改善する作物分類法を開発した。 3レベルラベル階層は畳み込みリカレントニューラルネットワーク(convRNN)に符号化される 我々は,提案手法を新たに公開する大規模データセット上で検証する。
  論文  参考訳（メタデータ） (2021-02-17T15:27:49Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)

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。