Fugu-MT 論文翻訳(概要): deepTerra -- AI Land Classification Made Easy

論文の概要: deepTerra -- AI Land Classification Made Easy

arxiv url: http://arxiv.org/abs/2501.07859v1
Date: Tue, 14 Jan 2025 05:55:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-15 13:27:35.717329
Title: deepTerra -- AI Land Classification Made Easy
Title（参考訳）: DeepTerra -- AIの土地分類を容易にする
Authors: Andrew Keith Wilkinson,
Abstract要約: DeepTerraは、機械学習と衛星画像を用いた陸面特徴の分類を容易にするために設計された総合的なプラットフォームである。本稿では,DeepTerraの能力について概説し,様々な研究領域にどのように応用されたのか,今後の方向性について論じる。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: deepTerra is a comprehensive platform designed to facilitate the classification of land surface features using machine learning and satellite imagery. The platform includes modules for data collection, image augmentation, training, testing, and prediction, streamlining the entire workflow for image classification tasks. This paper presents a detailed overview of the capabilities of deepTerra, shows how it has been applied to various research areas, and discusses the future directions it might take.
Abstract（参考訳）: DeepTerraは、機械学習と衛星画像を用いた陸面特徴の分類を容易にするために設計された総合的なプラットフォームである。このプラットフォームには、データ収集、画像拡張、トレーニング、テスト、予測のためのモジュールが含まれており、画像分類タスクのワークフロー全体を合理化している。本稿では,DeepTerraの能力について概説し,様々な研究領域にどのように応用されたのか,今後の方向性について論じる。

関連論文リスト

ImplicitTerrain: a Continuous Surface Model for Terrain Data Analysis [14.013976303831313]
ImplicitTerrainは、高解像度の地形を連続的に微分的にモデル化するための暗黙の神経表現(INR)アプローチである。本実験では, 表面適合精度, 有効トポロジカル特徴抽出, 各種トポロジカル特徴抽出について検討した。
論文参考訳（メタデータ） (2024-05-31T23:05:34Z)
Knowledge distillation with Segment Anything (SAM) model for Planetary Geological Mapping [0.7266531288894184]
本稿では,迅速なアノテーションと迅速な適応性を実現するための素早い基礎モデルの有効性を示す。主要な結果は、知識蒸留を使用することで、手動アノテーションのドメインの専門家が必要とする労力を大幅に削減できることを示唆している。このアプローチは、火星の地形を自動的に検出し、セグメンテーションすることで、地球外発見を加速する可能性がある。
論文参考訳（メタデータ） (2023-05-12T16:30:58Z)
Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文参考訳（メタデータ） (2022-04-24T15:23:25Z)
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)
DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文参考訳（メタデータ） (2021-04-28T15:13:12Z)
S2R-DepthNet: Learning a Generalizable Depth-specific Structural Representation [63.58891781246175]
人間はリアルなイメージではなくスケッチからシーンの3次元幾何学を推測することができ、空間構造がシーンの深さを理解する上で基本的な役割を果たすことを示す。我々は,深度推定に不可欠な特徴を捉え,無関係なスタイル情報を無視する,深度特異的な構造表現の学習を初めて行う。当社のS2R-DepthNetは、合成データでのみ訓練されているにもかかわらず、目に見えない実際のデータに直接一般化できます。
論文参考訳（メタデータ） (2021-04-02T03:55:41Z)
Deep Learning for Scene Classification: A Survey [48.57123373347695]
シーン分類は、コンピュータビジョンにおける長年の、根本的かつ挑戦的な問題である。大規模データセットの出現と深層学習技術のルネッサンスは、シーン表現と分類の分野において顕著な進歩をもたらした。本稿では,深層学習によるシーン分類における最近の成果を総合的に調査する。
論文参考訳（メタデータ） (2021-01-26T03:06:50Z)
Very High Resolution Land Cover Mapping of Urban Areas at Global Scale with Convolutional Neural Networks [0.0]
本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
論文参考訳（メタデータ） (2020-05-12T10:03:20Z)
Attentive Weakly Supervised land cover mapping for object-based satellite image time series data with spatial interpretation [4.549831511476249]
本稿では,粗粒度ラベルの弱さをインテリジェントに活用できる,TASSELという新しいディープラーニングフレームワークを提案する。私たちのフレームワークは、ブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。
論文参考訳（メタデータ） (2020-04-30T10:23:12Z)

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。