論文の概要: FLAIR-HUB: Large-scale Multimodal Dataset for Land Cover and Crop Mapping

• arxiv url: http://arxiv.org/abs/2506.07080v1
• Date: Sun, 08 Jun 2025 10:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.663937
• Title: FLAIR-HUB: Large-scale Multimodal Dataset for Land Cover and Crop Mapping
• Title（参考訳）: FLAIR-HUB:土地被覆と作物マッピングのための大規模マルチモーダルデータセット
• Authors: Anatol Garioud, Sébastien Giordano, Nicolas David, Nicolas Gonthier,
• Abstract要約: FLAIR-HUBは、フランスの2528km2の高解像度(20cm)のアノテーションを持つ、最大のマルチセンサーの陸地カバーデータセットである。 航空写真、センチネル・1/2時系列、SPOT画像、地形データ、歴史的空中画像の6つの整列モードが組み合わさっている。 その結果、マルチモーダル核融合ときめ細かい分類の複雑さが示され、最も優れた土地被覆性能(精度78.2%、65.8% mIoU)がほぼ全てのモダリティを用いて達成された。
• 参考スコア（独自算出の注目度）: 1.731185891042474
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The growing availability of high-quality Earth Observation (EO) data enables accurate global land cover and crop type monitoring. However, the volume and heterogeneity of these datasets pose major processing and annotation challenges. To address this, the French National Institute of Geographical and Forest Information (IGN) is actively exploring innovative strategies to exploit diverse EO data, which require large annotated datasets. IGN introduces FLAIR-HUB, the largest multi-sensor land cover dataset with very-high-resolution (20 cm) annotations, covering 2528 km2 of France. It combines six aligned modalities: aerial imagery, Sentinel-1/2 time series, SPOT imagery, topographic data, and historical aerial images. Extensive benchmarks evaluate multimodal fusion and deep learning models (CNNs, transformers) for land cover or crop mapping and also explore multi-task learning. Results underscore the complexity of multimodal fusion and fine-grained classification, with best land cover performance (78.2% accuracy, 65.8% mIoU) achieved using nearly all modalities. FLAIR-HUB supports supervised and multimodal pretraining, with data and code available at https://ignf.github.io/FLAIR/flairhub.
• Abstract（参考訳）: 高品質な地球観測(EO)データの利用が可能になったことで、正確な地球規模の土地被覆と作物型のモニタリングが可能になる。 しかし、これらのデータセットのボリュームと不均一性は、大きな処理とアノテーションの課題を引き起こす。 これを解決するため、フランス国立地理学林情報研究所(IGN)は、大量の注釈付きデータセットを必要とする多様なEOデータを活用する革新的な戦略を積極的に検討している。 IGNはFLAIR-HUBを導入した。FLAIR-HUBは、フランスの2528km2をカバーし、高解像度(20cm)のアノテーションを持つ最大マルチセンサーのランドカバーデータセットである。 航空写真、センチネル・1/2時系列、SPOT画像、地形データ、歴史的空中画像の6つの整列モードが組み合わさっている。 大規模なベンチマークでは、土地被覆や作物マッピングのためのマルチモーダル融合と深層学習モデル(CNN、トランスフォーマー)を評価し、マルチタスク学習についても検討している。 その結果、マルチモーダル核融合ときめ細かい分類の複雑さが示され、最も優れた土地被覆性能(精度78.2%、65.8% mIoU)がほぼ全てのモダリティを用いて達成された。 FLAIR-HUBは教師付きおよびマルチモーダル事前トレーニングをサポートし、データとコードはhttps://ignf.github.io/FLAIR/flairhub.comで入手できる。

関連論文リスト

• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• FRACTAL: An Ultra-Large-Scale Aerial Lidar Dataset for 3D Semantic Segmentation of Diverse Landscapes [0.0]
  7つのセマンティッククラスのための高品質なラベル付き10万個の高密度点雲からなる超大規模空中Lidarデータセットを提案する。 データセットのデータ収集,アノテーション,キュレーションプロセスについて述べる。 アート3Dポイントクラウド分類モデルを用いて,ベースラインのセマンティックセマンティックセマンティクス結果を提供する。
  論文  参考訳（メタデータ） (2024-05-07T19:37:22Z)
• UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
  さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。 我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。 これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-22T10:36:50Z)
• FLAIR: a Country-Scale Land Cover Semantic Segmentation Dataset From Multi-Source Optical Imagery [4.9687851703152806]
  本稿では,フランス国立地理学林情報研究所 (IGN) の広範なデータセットであるFLAIR (Aerospace ImageRy) のフレンチランドカバーを紹介する。 FLAIRは、地上サンプル距離20cmの高解像度空中画像と、正確な土地被覆分類のための200億以上の個別ラベル付きピクセルを含んでいる。 このデータセットは、光学衛星時系列からの時間的・スペクトル的なデータも統合する。
  論文  参考訳（メタデータ） (2023-10-20T07:55:12Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
  我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。 MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。 外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
  論文  参考訳（メタデータ） (2020-10-15T15:36:58Z)

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。