論文の概要: Uncertainty-aware Bayesian machine learning modelling of land cover classification

• arxiv url: http://arxiv.org/abs/2503.21510v1
• Date: Thu, 27 Mar 2025 13:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:55.215273
• Title: Uncertainty-aware Bayesian machine learning modelling of land cover classification
• Title（参考訳）: 土地被覆分類の不確実性を考慮したベイズ機械学習モデリング
• Authors: Samuel Bilson, Anna Pustogvar,
• Abstract要約: 本稿では,入力測定の不確実性を考慮した生成モデルを用いたベイズ分類手法を提案する。 我々は、ランダムな森林やニューラルネットワークのような土地被覆マップで使われる一般的な分類モデルに対して、モデルの性能をベンチマークする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Land cover classification involves the production of land cover maps, which determine the type of land through remote sensing imagery. Over recent years, such classification is being performed by machine learning classification models, which can give highly accurate predictions on land cover per pixel using large quantities of input training data. However, such models do not currently take account of input measurement uncertainty, which is vital for traceability in metrology. In this work we propose a Bayesian classification framework using generative modelling to take account of input measurement uncertainty. We take the specific case of Bayesian quadratic discriminant analysis, and apply it to land cover datasets from Copernicus Sentinel-2 in 2020 and 2021. We benchmark the performance of the model against more popular classification models used in land cover maps such as random forests and neural networks. We find that such Bayesian models are more trustworthy, in the sense that they are more interpretable, explicitly model the input measurement uncertainty, and maintain predictive performance of class probability outputs across datasets of different years and sizes, whilst also being computationally efficient.
• Abstract（参考訳）: 土地被覆分類には、リモートセンシング画像を通して土地の種類を決定する土地被覆地図の作成が含まれる。 近年、このような分類は機械学習の分類モデルによって行われており、大量の入力トレーニングデータを用いて1ピクセルあたりのランドカバーを高精度に予測することができる。 しかし、これらのモデルは現在、気象学におけるトレーサビリティに欠かせない入力測定の不確実性を考慮していない。 本研究では,入力測定の不確実性を考慮した生成モデルを用いたベイズ分類フレームワークを提案する。 我々はベイズ二次判別分析の具体的な事例を考察し、2020年と2021年のCopernicus Sentinel-2の土地被覆データセットに適用する。 我々は、ランダムな森林やニューラルネットワークのような土地被覆マップで使われる一般的な分類モデルに対して、モデルの性能をベンチマークする。 このようなベイズモデルは、より解釈可能であり、入力測定の不確かさを明示的にモデル化し、異なる年数と大きさのデータセットをまたいだクラス確率出力の予測性能を維持しつつ、計算的に効率的であるという意味で、より信頼性の高いモデルであることが判明した。

関連論文リスト

• A method for classification of data with uncertainty using hypothesis testing [0.0]
  不確実性を定量化し、それを考慮に入れた意思決定アプローチを採用する必要がある。 2種類の仮説テストを用いた新しい意思決定手法を提案する。 この方法は、2つのクラス分布の重なり合う領域に属するあいまいなデータを検出することができる。
  論文  参考訳（メタデータ） (2025-02-12T17:14:07Z)
• Onboard Out-of-Calibration Detection of Deep Learning Models using Conformal Prediction [4.856998175951948]
  本研究では,共形予測アルゴリズムが深層学習モデルの不確かさと関係があることを示し,この関係が深層学習モデルが校正外であるかどうかを検出するのに有効であることを示す。 モデル不確かさと共形予測セットの平均サイズに関連する校正外検出手順を示す。
  論文  参考訳（メタデータ） (2024-05-04T11:05:52Z)
• LD-SDM: Language-Driven Hierarchical Species Distribution Modeling [9.620416509546471]
  我々は,世界規模の存在のみのデータを用いた種分布モデリングの問題に焦点をあてる。 種間の強い暗黙の関係を捉えるため,大きな言語モデルを用いて,種の分類学的階層を符号化した。 そこで本研究では,種分布モデルの評価が可能な近接認識評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-13T18:11:37Z)
• Semi-Supervised Crowd Counting with Contextual Modeling: Facilitating Holistic Understanding of Crowd Scenes [19.987151025364067]
  本稿では,信頼度の高い群集カウントモデルをトレーニングするための,新しい半教師付き手法を提案する。 モデルの本質的な'サブタイズ'能力を育み、領域の数を正確に見積もることができる。 提案手法は,従来の手法を,挑戦的ベンチマークにおいて大きな差で上回り,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-10-16T12:42:43Z)
• Estimating Uncertainty in Multimodal Foundation Models using Public Internet Data [15.365603519829088]
  ファンデーションモデルは、自己教師付き学習を使用して、大規模に大量のデータをトレーニングする。 本稿では,ゼロショット予測における不確実性を定量化する問題に対処する。 ウェブデータとの共形予測を用いたゼロショット設定における不確実性推定手法を提案する。
  論文  参考訳（メタデータ） (2023-10-15T19:24:52Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
  本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。 モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
  論文  参考訳（メタデータ） (2023-05-23T09:46:54Z)
• Provable Robustness for Streaming Models with a Sliding Window [51.85182389861261]
  オンラインコンテンツレコメンデーションや株式市場分析のようなディープラーニングアプリケーションでは、モデルは過去のデータを使って予測を行う。 入力ストリーム上の固定サイズのスライディングウインドウを使用するモデルに対して、ロバスト性証明を導出する。 私たちの保証は、ストリーム全体の平均モデルパフォーマンスを保ち、ストリームサイズに依存しないので、大きなデータストリームに適しています。
  論文  参考訳（メタデータ） (2023-03-28T21:02:35Z)
• Smoothed Embeddings for Certified Few-Shot Learning [63.68667303948808]
  我々はランダムな平滑化を数ショットの学習モデルに拡張し、入力を正規化された埋め込みにマッピングする。 この結果は、異なるデータセットの実験によって確認される。
  論文  参考訳（メタデータ） (2022-02-02T18:19:04Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)

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。