Learning crop type mapping from regional label proportions in large-scale SAR and optical imagery

要約

近年の地球観測 (EO) へのディープ ラーニング アルゴリズムの適用により、リモート センシング データに依存する分野が大幅に進歩しました。
ただし、EO のデータ スケールを考えると、専門家によるピクセル レベルの注釈を含む大規模なデータセットを作成するには、費用がかかり、非常に時間がかかります。
この文脈では、事前分布は、EO の深層学習手法をトレーニングする際の手動のラベル付けの負担を軽減する魅力的な方法と見なされています。
一部のアプリケーションでは、これらの事前確率はすぐに利用できます。
多くのコンピューター ビジョン タスクにおける自己教師あり特徴表現学習のための対照学習法の大成功に動機付けられたこの研究では、政府の作物に基づくサンプル レベルの分類器を学習するために、事前に作物ラベルの比率を使用するオンライン ディープ クラスタリング法を提案します。
農業地域全体の比率データ。
ブラジルの 2 つの異なる農業地域からの 2 つの大規模なデータセットを使用して、この方法を評価します。
広範な実験により、この方法がさまざまなデータ タイプ (合成開口レーダーおよび光学画像) に対して堅牢であることが実証されており、対象地域の主要な作物の種類を考慮したより高い精度の値が報告されています。
したがって、EO アプリケーションでの大規模な画像注釈の負担を軽減できます。

要約(オリジナル)

The application of deep learning algorithms to Earth observation (EO) in recent years has enabled substantial progress in fields that rely on remotely sensed data. However, given the data scale in EO, creating large datasets with pixel-level annotations by experts is expensive and highly time-consuming. In this context, priors are seen as an attractive way to alleviate the burden of manual labeling when training deep learning methods for EO. For some applications, those priors are readily available. Motivated by the great success of contrastive-learning methods for self-supervised feature representation learning in many computer-vision tasks, this study proposes an online deep clustering method using crop label proportions as priors to learn a sample-level classifier based on government crop-proportion data for a whole agricultural region. We evaluate the method using two large datasets from two different agricultural regions in Brazil. Extensive experiments demonstrate that the method is robust to different data types (synthetic-aperture radar and optical images), reporting higher accuracy values considering the major crop types in the target regions. Thus, it can alleviate the burden of large-scale image annotation in EO applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google