論文の概要: Advancing Earth Observation Through Machine Learning: A TorchGeo Tutorial
- arxiv url: http://arxiv.org/abs/2603.02386v1
- Date: Mon, 02 Mar 2026 20:56:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.543595
- Title: Advancing Earth Observation Through Machine Learning: A TorchGeo Tutorial
- Title（参考訳）: 機械学習による地球観測の促進:TorchGeoチュートリアル
- Authors: Caleb Robinson, Nils Lehmann, Adam J. Stewart, Burak Ekim, Heng Fang, Isaac A. Corley, Mauricio Cordeiro,
- Abstract要約: TorchGeoはPyTorchベースのドメインライブラリで、データセット、サンプル、変換、事前トレーニングされたモデルを提供する。
本稿では,TorchGeoデータセットを用いてセマンティックセグメンテーションモデルをトレーニングし,ブラジルのリオデジャネイロのSentinel-2シーンに適用し,その結果の予測をGeoTIFFとして保存する方法を示す。
- 参考スコア（独自算出の注目度）: 7.244080007231605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earth observation machine learning pipelines differ fundamentally from standard computer vision workflows. Imagery is typically delivered as large, georeferenced scenes, labels may be raster masks or vector geometries in distinct coordinate reference systems, and both training and evaluation often require spatially aware sampling and splitting strategies. TorchGeo is a PyTorch-based domain library that provides datasets, samplers, transforms and pre-trained models with the goal of making it easy to use geospatial data in machine learning pipelines. In this paper, we introduce a tutorial that demonstrates 1.) the core TorchGeo abstractions through code examples, and 2.) an end-to-end case study on multispectral water segmentation from Sentinel-2 imagery using the Earth Surface Water dataset. This demonstrates how to train a semantic segmentation model using TorchGeo datasets, apply the model to a Sentinel-2 scene over Rio de Janeiro, Brazil, and save the resulting predictions as a GeoTIFF for further geospatial analysis. The tutorial code itself is distributed as two Python notebooks: https://torchgeo.readthedocs.io/en/stable/tutorials/torchgeo.html and https://torchgeo.readthedocs.io/en/stable/tutorials/earth_surface_water.html.
- Abstract（参考訳）: 地球観測機械学習パイプラインは、標準的なコンピュータビジョンのワークフローと根本的に異なる。
画像は通常、大きなジオレファレンスされたシーンとして提供され、ラベルは異なる座標参照システムでラスタマスクやベクトルジオメトリーとなることがある。
TorchGeoはPyTorchベースのドメインライブラリで、データセット、サンプル、変換、事前トレーニングされたモデルを提供する。
本稿では,実演するチュートリアルを紹介する。
1. コード例によるコアTorchGeoの抽象化。
2)地球表層水データセットを用いたセンチネル2画像からのマルチスペクトル水分画のエンド・ツー・エンドケーススタディ。
これは、TorchGeoデータセットを使用してセマンティックセグメンテーションモデルをトレーニングする方法を示し、ブラジルのリオデジャネイロのSentinel-2シーンにモデルを適用し、さらに地理空間解析のためにGeoTIFFとして得られた予測を保存する。
チュートリアルコード自体は,2つのPythonノートブックとして配布されている。 https://torchgeo.readthedocs.io/en/stable/tutorials/torchgeo.html と https://torchgeo.readthedocs.io/en/stable/tutorials/earth_ground_water.html。
関連論文リスト
- Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。
大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。
また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文 参考訳（メタデータ） (2025-02-19T14:21:25Z) - TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning [36.725822223732635]
位置(ポイント)エンコーディングのための学習フレームワークとベンチマークであるTorchSpatialを提案する。
TorchSpatialには3つの重要なコンポーネントが含まれている: 1) 一般的に認識されている15のロケーションエンコーダを統合する統合されたロケーションエンコーダフレームワーク、2) LocBenchベンチマークタスクは7つのジオアウェアイメージ分類と10のジオアウェアイメージ回帰データセットを含む。
論文 参考訳（メタデータ） (2024-06-21T21:33:16Z) - SRAI: Towards Standardization of Geospatial AI [4.246621775040508]
Space Representations for Artificial Intelligence (srai)は、地理空間データを扱うためのPythonライブラリである。
このライブラリは地理空間データをダウンロードし、複数のアルゴリズムを使って特定の領域をマイクロリージョンに分割し、埋め込みモデルを訓練することができる。
Sraiは完全にオープンソースで、Apache 2.0ライセンス下で公開されている。
論文 参考訳（メタデータ） (2023-10-19T18:56:04Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳（メタデータ） (2023-10-10T00:03:23Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳（メタデータ） (2023-09-27T20:54:56Z) - K2: A Foundation Language Model for Geoscience Knowledge Understanding
and Utilization [105.89544876731942]
大規模言語モデル(LLM)は自然言語処理の一般分野において大きな成功を収めている。
我々は、地球科学におけるLLM研究をさらに促進するために開発された一連の資源とともに、地球科学における最初のLLMであるK2を提示する。
論文 参考訳（メタデータ） (2023-06-08T09:29:05Z) - Mordecai 3: A Neural Geoparser and Event Geocoder [5.71097144710995]
Mordecai3は、新しいエンドツーエンドのテキストジオパーザとイベントジオロケーションシステムである。
新しいニューラルランキングモデルを使用して、文書から抽出された地名をGeonames gatteerへのエントリに解決する。
また、テキストで報告されたイベントと、報告される場所名とをリンクするイベントジオコーディングも行う。
論文 参考訳（メタデータ） (2023-03-23T21:10:04Z) - G^3: Geolocation via Guidebook Grounding [92.46774241823562]
本研究では,人間が位置情報に用いている視覚的特徴を記述した人書きガイドブックから,明示的な知識について検討する。
多様な場所からのストリートビュー画像のデータセットを用いたガイドブックグラウンディングによるジオロケーションのタスクを提案する。
提案手法は,Top-1の精度が5%以上向上し,最先端の画像のみの位置決め法よりも大幅に向上する。
論文 参考訳（メタデータ） (2022-11-28T16:34:40Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - TorchGeo: deep learning with geospatial data [24.789143032205736]
我々はPyTorchディープラーニングエコシステムに地理空間データを統合するためのPythonライブラリであるTorchGeoを紹介した。
TorchGeoは、ベンチマークデータセット、一般的な地理空間データソースのための構成可能なデータセット、地理空間データのためのサンプル、マルチスペクトル画像で動作する変換を提供する。
トーチジオは、マルチスペクトル衛星画像のための事前訓練されたモデルを提供する最初の図書館でもある。
論文 参考訳（メタデータ） (2021-11-17T02:47:33Z) - Viewpoint Invariant Dense Matching for Visual Geolocalization [15.8038460597256]
本研究では,局所的特徴量に基づく画像マッチング手法を提案する。
我々の手法はGeoWarpと呼ばれ、高密度な特徴を抽出する過程において、視点シフトへの不変性を直接埋め込む。
GeoWarpは、既存の視覚的ジオローカライゼーションパイプラインに簡単に組み込むことができる、リグレードメソッドとして効率的に実装されている。
論文 参考訳（メタデータ） (2021-09-20T20:17:38Z)
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。