Better, Not Just More: Data-Centric Machine Learning for Earth Observation

要約

最新の機械学習の最近の開発と研究により、地理空間分野は大幅に改善されました。
多数のディープ ラーニング アーキテクチャとモデルが提案されていますが、そのほとんどは現実世界との関連性が低いベンチマーク データセットに基づいてのみ開発されています。
さらに、これらのデータセットでは、多くのメソッドのパフォーマンスがすでに飽和状態になっています。
私たちは、精度、汎化能力、およびエンドユーザー アプリケーションへの実際の影響をさらに改善するには、モデル中心の視点から補完的なデータ中心の視点への移行が必要であると主張します。
さらに、予期せぬ状況でも信頼できる機械学習モデルを強化するには、問題定義からフィードバックを伴うモデル展開までの機械学習サイクル全体を考慮することが重要です。
この研究では、地理空間データの自動データ中心学習アプローチの定義、正確な分類と概要を示します。
これは、より大規模な機械学習の導入サイクルにおけるモデル中心の学習に対するデータ中心の学習の補完的な役割を強調しています。
私たちは地理空間分野全体の論文をレビューし、それらをさまざまなグループに分類します。
一連の代表的な実験は、具体的な実装例を示しています。
これらの例は、データ中心の機械学習アプローチを使用して地理空間データに作用するための具体的な手順を示しています。

要約(オリジナル)

Recent developments and research in modern machine learning have led to substantial improvements in the geospatial field. Although numerous deep learning architectures and models have been proposed, the majority of them have been solely developed on benchmark datasets that lack strong real-world relevance. Furthermore, the performance of many methods has already saturated on these datasets. We argue that a shift from a model-centric view to a complementary data-centric perspective is necessary for further improvements in accuracy, generalization ability, and real impact on end-user applications. Furthermore, considering the entire machine learning cycle-from problem definition to model deployment with feedback-is crucial for enhancing machine learning models that can be reliable in unforeseen situations. This work presents a definition as well as a precise categorization and overview of automated data-centric learning approaches for geospatial data. It highlights the complementary role of data-centric learning with respect to model-centric in the larger machine learning deployment cycle. We review papers across the entire geospatial field and categorize them into different groups. A set of representative experiments shows concrete implementation examples. These examples provide concrete steps to act on geospatial data with data-centric machine learning approaches.

arxiv情報

著者 Ribana Roscher,Marc Rußwurm,Caroline Gevaert,Michael Kampffmeyer,Jefersson A. dos Santos,Maria Vakalopoulou,Ronny Hänsch,Stine Hansen,Keiller Nogueira,Jonathan Prexl,Devis Tuia
発行日 2024-11-05 14:12:40+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG パーマリンク