論文の概要: Mapping Woody Vegetation from Multi-Source Imagery and Prediction Fusion for Enhanced Data Efficiency and Accuracy
- arxiv url: http://arxiv.org/abs/2608.26471v1
- Date: Wed, 26 Aug 2026 23:54:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.201846
- Title: Mapping Woody Vegetation from Multi-Source Imagery and Prediction Fusion for Enhanced Data Efficiency and Accuracy
- Title（参考訳）: マルチソース画像からの木質植生のマッピングとデータ効率と精度向上のための予測融合
- Abstract要約: ツリーカバーマッピングは信頼性が高く高品質な画像を必要とし、正確なモデル出力を保証するために雲や天候の欠陥がない。
ディープラーニングアプローチは、人間の介入を最小限に抑えた高品質なマップを生成することができるが、成功するためには大量の人間の注釈付きデータが必要である。
本稿では,ディープラーニングモデルのデータ効率とロバスト性向上を目的としたフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.04024586290381058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tree cover maps are a fundamental remote sensing product, used to derive ecological insights about the landscape and are essential to change detection, vegetation mapping and fire monitoring programs. However, comprehensive tree cover mapping requires reliable and high-quality imagery, free of cloud and weather defects to ensure accurate model outputs. Deep learning approaches can generate high quality maps with minimal human intervention but require large amounts of human annotated data to be successful. In this work we propose a framework consisting of methods that aim to improve the data efficiency and robustness of deep learning models using data fusion techniques to segment woody vegetation defined as vegetation over the height of 2m across the state of New South Wales, Australia. To improve robustness against varying image quality, we propose an image composition method that normalizes the imagery and removes defects, whilst also minimizing the reliance on individual image quality by proposing a prediction fusion method. The two methods resulted in an error reduction of 38.2% and 53.6% respectively compared to single-source imagery. To address deep learning approaches' limitation of requiring large amounts of data, we apply label transfer to multiple sources of imagery as a form of data augmentation to improve data efficiency. Learning from multiple image sources was shown to be the biggest improvement in performance, resulting in an error reduction between 28.1% to 76.2% across the different validation experiments, whilst reducing the standard deviation of performance across image dates by a factor of 13.
- Abstract（参考訳）: ツリーカバーマップは基本的なリモートセンシング製品であり、景観に関する生態学的洞察を導き出すのに使われ、検出、植生マッピング、火災監視プログラムの変更に不可欠である。
しかし、包括的なツリーカバーマッピングには信頼性と高品質のイメージが必要であり、正確なモデル出力を保証するために雲や天候の欠陥がない。
ディープラーニングアプローチは、人間の介入を最小限に抑えた高品質なマップを生成することができるが、成功するためには大量の人間の注釈付きデータが必要である。
本研究では,オーストラリア,ニューサウスウェールズ州における標高2m以上の植生として定義された木質植生を分断するデータ融合技術を用いて,深層学習モデルのデータ効率とロバスト性の向上を目的としたフレームワークを提案する。
画像品質の変動に対するロバスト性を改善するため,画像の正規化と欠陥の除去を行う画像合成手法を提案するとともに,予測融合法を提案することにより,画像品質への依存を最小限に抑える。
この2つの手法は、単一ソース画像と比較して誤差を38.2%、53.6%削減した。
大量のデータを必要とする深層学習アプローチの限界に対処するため,複数の画像ソースへのラベル転送をデータ拡張の一形態として適用し,データ効率を向上する。
複数の画像ソースからの学習は、最大の性能向上であり、異なる検証実験で28.1%から76.2%の誤差削減が達成された。
関連論文リスト
- Multispectral Blind Image Super-Resolution for Standing Dead Tree Segmentation [3.164363223464948]
我々は低解像度から高解像度のマルチスペクトル画像領域へのマッピングを学習するための一般的なブラインド超解像フレームワークを提案する。
われわれのアプローチは、現実世界の状況を模倣して、未ペアのサンプルのみを運用する。
本研究は,立枯木区分の範囲内におけるマルチスペクトルデータに対して,実世界および汎用超解像を行う最初の研究である。
論文 参考訳（メタデータ） (2026-05-04T11:13:50Z) - Webly-Supervised Image Manipulation Localization via Category-Aware Auto-Annotation [49.83611963142304]
画像編集ツールを使って操作された画像は、視聴者を誤解させ、社会保障に重大なリスクをもたらす可能性がある。
この領域の主な障壁の1つは、データ取得の高コストと、高品質な注釈付きデータセットの深刻な欠如である。
我々は、Webから手動で鍛造された画像の大規模なコレクションと、自動生成されたアノテーションを利用する。
我々はMIMLv2を構築する。MIMLv2は大規模で多彩で高品質なデータセットで、246,212個の手動鍛造画像とピクセルレベルのマスクアノテーションを備えている。
論文 参考訳（メタデータ） (2025-08-28T16:44:40Z) - Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。
複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。
低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2025-05-21T03:57:10Z) - Efficient Pruning of Text-to-Image Models: Insights from Pruning Stable Diffusion [3.399289369740637]
本稿では,安定拡散2号の訓練後刈り込みに関する先駆的な研究について述べる。
テキスト・ツー・イメージ領域におけるモデル圧縮に対する重要なニーズに対処する。
本稿では,テキストエンコーダを47.5%,拡散生成器を35%にプルークする最適プルーニング構成を提案する。
論文 参考訳（メタデータ） (2024-11-22T18:29:37Z) - Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - Randomize to Generalize: Domain Randomization for Runway FOD Detection [1.4249472316161877]
細い物体検出は、小型化、低解像度化、オクルージョン化、背景クラッタ、照明条件、被写体対画像比の小さいため困難である。
本稿では,SRIA(Synthetic Image Augmentation)の新たな2段階手法を提案する。
検出精度は初期41%からOODテストセットの92%に改善した。
論文 参考訳（メタデータ） (2023-09-23T05:02:31Z) - Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。
本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。
提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
論文 参考訳（メタデータ） (2023-05-20T17:01:52Z) - Image augmentation improves few-shot classification performance in plant
disease recognition [0.0]
各種データ強化手法の有効性を探求し, 植物画像の不足問題に対処する。
本稿では,多くの試行を通じて精度を一貫して向上させる,一連の異なる拡張手法を提案する。
論文 参考訳（メタデータ） (2022-08-25T00:53:19Z) - Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。
未経験データからの学習に基づく深度マップの強化について考察する。
論文 参考訳（メタデータ） (2021-05-25T16:19:16Z) - Road Segmentation for Remote Sensing Images using Adversarial Spatial
Pyramid Networks [28.32775611169636]
合成画像生成と道路分割に構造化領域適応を適用した新しいモデルを提案する。
マルチレベルの特徴マップから学び、特徴のセマンティクスを改善するために、新しいスケールワイズアーキテクチャが導入された。
我々のモデルは、14.89Mパラメータと86.78B FLOPを持つマサチューセッツのデータセット上で、最先端の78.86 IOUを達成し、4倍少ないFLOPを持つが、より高精度(+3.47% IOU)である。
論文 参考訳（メタデータ） (2020-08-10T11:00:19Z)
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。