論文の概要: Using Satellite Images And Self-supervised Machine Learning Networks To Detect Water Hidden Under Vegetation

• arxiv url: http://arxiv.org/abs/2506.08214v1
• Date: Mon, 09 Jun 2025 20:35:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.671493
• Title: Using Satellite Images And Self-supervised Machine Learning Networks To Detect Water Hidden Under Vegetation
• Title（参考訳）: 衛星画像と自己教師型機械学習ネットワークを使って植生に隠れた水を検出する
• Authors: Ioannis Iakovidis, Zahra Kalantari, Amir Hossein Payberah, Fernando Jaramillo, Francisco Pena Escobar,
• Abstract要約: 我々は、レーダー衛星画像を、手動のアノテーションを使わずに、陸地から水を分離する領域に分割するモデルを訓練する。 同じアーキテクチャを用いた1つの完全教師付きモデルと比較して、我々の自己教師付きモデルのアンサンブルは、インターセクション・オーバー・ユニオン計量において0.02の改善を達成する。
• 参考スコア（独自算出の注目度）: 40.506782697965996
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years the wide availability of high-resolution radar satellite images along with the advancement of computer vision models have enabled the remote monitoring of the surface area of wetlands. However, these models require large amounts of manually annotated satellite images, which are slow and expensive to produce. To overcome this problem, self-supervised training methods have been deployed to train models without using annotated data. In this paper we use a combination of deep clustering and negative sampling to train a model to segment radar satellite images into areas that separate water from land without the use of any manual annotations. Furthermore, we implement an ensemble version of the model to reduce variance and improve performance. Compared to a single fully-supervised model using the same architecture, our ensemble of self-supervised models achieves a 0.02 improvement in the Intersection Over Union metric over our test dataset.
• Abstract（参考訳）: 近年,高解像度レーダー衛星画像とコンピュータビジョンモデルの進歩により,湿地表面積の遠隔監視が可能となった。 しかし、これらのモデルには大量の手動のアノテート衛星画像が必要である。 この問題を解決するために、注釈付きデータを使わずにモデルを訓練するための自己教師付きトレーニング手法が導入された。 本稿では, 深層クラスタリングと負のサンプリングを組み合わせることで, レーダー衛星画像を手動のアノテーションを使わずに, 陸地から水を切り離す領域に分割するモデルを訓練する。 さらに,モデルのアンサンブルバージョンを実装し,分散を低減し,性能を向上させる。 同じアーキテクチャを使用した1つの完全教師付きモデルと比較して、我々の自己教師付きモデルのアンサンブルは、テストデータセットに対するIntersection Over Unionメトリックにおいて0.02の改善を達成する。

関連論文リスト

• SatMamba: Development of Foundation Models for Remote Sensing Imagery Using State Space Models [0.0]
  ファンデーションモデルは、自己教師付きアルゴリズムを通じて、大規模なラベル付けされていないデータセットで事前訓練されたディープラーニングモデルを指す。 リモートセンシングのための様々な基礎モデルが開発されている。 本研究では、マスク付きオートエンコーダとステートスペースモデルを組み合わせた新しい事前トレーニングフレームワークであるSatMambaを提案する。
  論文  参考訳（メタデータ） (2025-02-01T14:07:21Z)
• SatVision-TOA: A Geospatial Foundation Model for Coarse-Resolution All-Sky Remote Sensing Imagery [8.096413986108601]
  本稿では,14バンドMODIS L1B Top-Of-Atmosphere (TOA) を用いた新しい基礎モデルであるSatVision-TOAを紹介する。 SatVision-TOA モデルは Masked-Image-Modeling (MIM) フレームワークと SwinV2 アーキテクチャを使って事前訓練されている。 その結果、SatVision-TOAは、下流タスクのベースラインメソッドよりも優れたパフォーマンスを実現することがわかった。
  論文  参考訳（メタデータ） (2024-11-26T00:08:00Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。 提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
  論文  参考訳（メタデータ） (2023-12-06T16:53:17Z)
• Exploring DINO: Emergent Properties and Limitations for Synthetic Aperture Radar Imagery [5.057850174013128]
  本研究では,No Labels(DINO)アルゴリズムによる自己蒸留の創発的特性と合成開口レーダ(SAR)画像への応用について検討する。 我々は、ラベルのないSARデータを用いて視覚変換器(ViT)ベースのDINOモデルを事前訓練し、その後、高解像度のランドカバーマップを予測するためにモデルを微調整する。 本稿では,VTアテンションマップがリモートセンシングの本質的な価値を保ち,他のアルゴリズムに有用なインプットを提供することを示す。
  論文  参考訳（メタデータ） (2023-10-05T12:48:12Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Evaluating the Label Efficiency of Contrastive Self-Supervised Learning for Multi-Resolution Satellite Imagery [0.0]
  遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。 本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
  論文  参考訳（メタデータ） (2022-10-13T06:54:13Z)

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。