論文の概要: Hedgementation = Hedgerow Segmentation: A Remote Sensing Benchmark
- arxiv url: http://arxiv.org/abs/2606.23615v1
- Date: Mon, 22 Jun 2026 17:12:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 17:43:52.106962
- Title: Hedgementation = Hedgerow Segmentation: A Remote Sensing Benchmark
- Title（参考訳）: Hedgementation = Hedgerow Segmentation: リモートセンシングベンチマーク
- Authors: Nathan Senyard, Salem Hamdani, Astrid Zhang, Derek Wang, Evan Shelhamer, Mathias Lécuyer, Joséphine Gantois,
- Abstract要約: ヘッジメンテーションは、ヘッジロウマッピングのための機械学習モデルを評価するための新しいベンチマークである。
フランスのヘッジロウ在庫から得られた複数のリモートセンシングデータ製品と地上の真実ラベルを組み合わせて調和させます。
- 参考スコア（独自算出の注目度）: 6.550840140545007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose Hedgementation: a new benchmark to evaluate machine learning models for hedgerow mapping from remote sensing data at country scale and 10m$^2$ spatial resolution. We combine and harmonize multiple remote sensing data products and ground truth labels sourced from a hedgerow inventory in France. We measure the ability of three baseline models to generalize across spatial distance, and across climatic zones, a more explicitly challenging task. Our benchmark tests both supervised and self-supervised learning approaches for remote sensing, applied to tracking fine-scale features of high agricultural importance. The code to reproduce the benchmark and baselines results is available at https://github.com/hedgementation/hedgementation.
- Abstract（参考訳）: Hedgementation: 国内規模のリモートセンシングデータと空間分解能10m$^2$から,ヘッジロウマッピングのための機械学習モデルを評価するための新しいベンチマークを提案する。
フランスのヘッジロウ在庫から得られた複数のリモートセンシングデータ製品と地上の真実ラベルを組み合わせて調和させます。
3つのベースラインモデルが空間的距離をまたいで、気候帯をまたいで一般化する能力を測定することは、より明確な課題である。
リモートセンシングのための教師付き学習アプローチと自己監督型学習アプローチの両方をベンチマークテストし,農業的重要性の高い大規模特徴の追跡に適用した。
ベンチマークと結果のベースラインを再現するコードはhttps://github.com/hedgementation/hedgementation.comで公開されている。
関連論文リスト
- SegEarth-OV3: Exploring SAM 3 for Open-Vocabulary Semantic Segmentation in Remote Sensing Images [51.42466259821335]
我々は, SAM 3 をリモートセンシング OVSS タスクに適用するための予備的な検討を行った。
まず,SAM 3のセマンティックセグメンテーションヘッドとトランスフォーマーデコーダの出力を組み合わせたマスク融合戦略を実装した。
第2に、シーンに存在しないカテゴリをフィルタリングするために、プレゼンスヘッドからのプレゼンススコアを利用する。
論文 参考訳（メタデータ） (2025-12-09T15:42:28Z) - Lightweight, Pre-trained Transformers for Remote Sensing Timeseries [33.44703824007848]
Prestoは、リモートセンシングピクセル時系列データに基づいて事前訓練されたモデルである。
世界中に分散したリモートセンシングタスクに優れ、より大きなモデルと競争的に機能する。
論文 参考訳（メタデータ） (2023-04-27T09:52:35Z) - Text2Seg: Remote Sensing Image Semantic Segmentation via Text-Guided Visual Foundation Models [7.452422412106768]
リモート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Text2Segという新しい手法を提案する。
自動プロンプト生成プロセスを使用することで、広範なアノテーションへの依存を克服する。
我々は,Text2SegがバニラSAMモデルと比較してゼロショット予測性能を著しく向上することを示した。
論文 参考訳（メタデータ） (2023-04-20T18:39:41Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび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ベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - EarthNets: Empowering AI in Earth Observation [24.160463837610074]
地球観測(EO)は、リモートセンシングデータを用いて惑星地球の状態を監視することを目的としている。
本稿では,500以上の公開データセットの総合的なレビューを行う。
モデル評価のための新しいベンチマークを構築するために,データセットを計測,ランク付け,選択することを提案する。
論文 参考訳（メタデータ） (2022-10-10T18:09:35Z) - 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) - Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-02T07:50:50Z)
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。