論文の概要: A Zero-Shot Learning Approach for Ephemeral Gully Detection from Remote Sensing using Vision Language Models

• arxiv url: http://arxiv.org/abs/2503.01169v1
• Date: Mon, 03 Mar 2025 04:36:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:18:35.402033
• Title: A Zero-Shot Learning Approach for Ephemeral Gully Detection from Remote Sensing using Vision Language Models
• Title（参考訳）: 視覚言語モデルを用いた遠隔センシングによる短距離グリー検出のためのゼロショット学習手法
• Authors: Seyed Mohamad Ali Tousi, Ramy Farag, Jacket Demby's, Gbenga Omotara, John A. Lory, G. N. DeSouza,
• Abstract要約: エフェメラル・グリー(Ephemeral gullies)は、土壌浸食の主な原因である。 従来の研究は、リモートセンシング画像から一時的結節の自動検出に成功しなかった。 本研究は, 一時的消化管検出のためのパイプラインを3つ提案し, 評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Ephemeral gullies are a primary cause of soil erosion and their reliable, accurate, and early detection will facilitate significant improvements in the sustainability of global agricultural systems. In our view, prior research has not successfully addressed automated detection of ephemeral gullies from remotely sensed images, so for the first time, we present and evaluate three successful pipelines for ephemeral gully detection. Our pipelines utilize remotely sensed images, acquired from specific agricultural areas over a period of time. The pipelines were tested with various choices of Visual Language Models (VLMs), and they classified the images based on the presence of ephemeral gullies with accuracy higher than 70% and a F1-score close to 80% for positive gully detection. Additionally, we developed the first public dataset for ephemeral gully detection, labeled by a team of soil- and plant-science experts. To evaluate the proposed pipelines, we employed a variety of zero-shot classification methods based on State-of-the-Art (SOTA) open-source Vision-Language Models (VLMs). In addition to that, we compare the same pipelines with a transfer learning approach. Extensive experiments were conducted to validate the detection pipelines and to analyze the impact of hyperparameter changes in their performance. The experimental results demonstrate that the proposed zero-shot classification pipelines are highly effective in detecting ephemeral gullies in a scenario where classification datasets are scarce.
• Abstract（参考訳）: エフェメラル・グルリーは土壌浸食の主な原因であり、その信頼性、正確、早期検出は、地球規模の農業システムの持続可能性を大幅に向上させる。 本説では, 従来の研究では, リモートセンシング画像から短絡の自動検出には成功していないため, 3つの短絡検出パイプラインを初めて提示し, 評価した。 私たちのパイプラインは、一定期間にわたって特定の農業地帯から取得されたリモートセンシング画像を利用しています。 パイプラインは視覚言語モデル (VLM) の様々な選択でテストされ、正のグリー検出のために70%以上の精度とF1スコアに近い80%の精度で、短命のグリーの存在に基づいて画像の分類を行った。 さらに,土壌・植物科学の専門家チームによってラベル付けされた,一時的グリー検出のための最初の公開データセットを開発した。 提案したパイプラインを評価するため,我々は,オープンソースのVision-Language Models (VLMs) に基づく様々なゼロショット分類手法を採用した。 それに加えて、同じパイプラインを転送学習アプローチと比較します。 検出パイプラインを検証し, ハイパーパラメータの変化が性能に与える影響を分析するため, 広範囲な実験を行った。 実験結果から,提案したゼロショット分類パイプラインは,分類データセットが不足するシナリオにおいて,短絡検出に極めて有効であることが示された。

関連論文リスト

• Fuzzy Granule Density-Based Outlier Detection with Multi-Scale Granular Balls [65.44462297594308]
  外乱検出は、正常なデータの分布から大きく逸脱する異常なサンプルの同定を指す。 ほとんどの教師なしの外れ値検出方法は、指定された外れ値を検出するために慎重に設計されている。 ファジィ粗集合に基づくマルチスケールアウトレイラ検出手法を提案し,様々な種類のアウトレイラを同定する。
  論文  参考訳（メタデータ） (2025-01-06T12:35:51Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Vision-based Xylem Wetness Classification in Stem Water Potential Determination [8.597874067545233]
  この研究は、スコランダー圧力室を用いた茎検出とキシレム湿性分類の自動化に焦点を当てた。 目的は、茎の検出を洗練し、キシレムにおける水の出現をよりよく分類するためのコンピュータビジョンベースの方法を開発することである。 YOLOv8nによる学習ベース幹細胞検出とResNet50に基づく分類の組み合わせにより、トップ1の精度は80.98%に達した。
  論文  参考訳（メタデータ） (2024-09-24T19:24:04Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Detecting Out-Of-Distribution Earth Observation Images with Diffusion Models [2.1178416840822027]
  本研究では,拡散モデルの再構成誤差がリモートセンシング画像の非教師外分布検出器として有効であることを示す。 本稿では,拡散モデルの確率フローODEを用いた新しい再構成ベースのスコアラODEEDを紹介する。 遠隔センシングにおける異常検出のための生成モデルのより良い利用に向けた道を開くことを目的としている。
  論文  参考訳（メタデータ） (2024-04-19T07:07:36Z)
• Nearest Neighbor Guidance for Out-of-Distribution Detection [18.851275688720108]
  そこで本研究では,最寄りのNearest Neighbor Guidance (NNGuide) を用いて,オフ・オブ・ディストリビューション(OOD) サンプルの検出を行う。 NNGuideは、分類器ベースのスコアのきめ細かい機能を維持しながら、OODサンプルの過信を低減する。 この結果から,NNGuideはベース検出スコアを大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-09-26T12:40:35Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Hyperspectral Remote Sensing Benchmark Database for Oil Spill Detection with an Isolation Forest-Guided Unsupervised Detector [13.739881592455044]
  近年、海洋石油流出事故が環境、天然資源、沿岸住民の生活に深刻な影響を与えているため、石油流出の検出が注目されている。 既存のアプローチのほとんどは、ハイパースペクトル画像(HSI)からのオイル流出を検出するための教師付きおよび半教師付きフレームワークに基づいている。 本研究では,HSIの孤立林を基盤とした非監督型油流出検出手法の開発を初めて試みる。
  論文  参考訳（メタデータ） (2022-09-28T02:26:42Z)
• Active Gaze Control for Foveal Scene Exploration [124.11737060344052]
  本研究では,葉型カメラを用いた人間とロボットが現場を探索する方法をエミュレートする手法を提案する。 提案手法は,同数の視線シフトに対してF1スコアを2～3ポイント増加させる。
  論文  参考訳（メタデータ） (2022-08-24T14:59:28Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)

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。