Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

SpectralEarth : formation de modèles de fondation hyperspectraux à grande échelle

Created by
  • Haebom

Auteur

Nassim Ait Ali Braham, Conrad M Albrecht, Julien Mairal, Jocelyn Chanussot, Yi Wang, Xiao Xiang Zhu

Contour

Cet article présente SpectralEarth, un jeu de données d'images hyperspectrales multi-perspectrales à grande échelle exploitant les données du Programme de cartographie et d'analyse environnementales (EnMAP). SpectralEarth comprend 538 974 patchs d'images (415 153 emplacements uniques) collectés à partir de 11 636 scènes EnMAP réparties dans le monde, dont 17,5 % contiennent plusieurs horodatages, permettant une analyse multi-perspectrale. Dans cet article, nous préentraînons des modèles hyperspectraux sur SpectralEarth à l'aide d'algorithmes d'apprentissage auto-supervisé de pointe et intégrons un adaptateur spectral à une infrastructure de vision existante pour prendre en compte les caractéristiques uniques de l'IHS. De plus, nous construisons neuf jeux de données en aval pour la couverture terrestre, la cartographie des types de cultures et la classification des espèces d'arbres afin de fournir des repères pour l'évaluation du modèle. Les résultats expérimentaux démontrent la polyvalence et les performances de généralisation du modèle pour une variété de tâches et de capteurs, soulignant son efficacité de calcul lors de son affinement.

Takeaways, Limitations_

•
Takeaways:
◦
Contribuer à l'avancement de la recherche sur les modèles hyperspectraux en fournissant SpectralEarth, un ensemble de données d'images hyperspectrales multi-perspectrales à grande échelle représentatif à l'échelle mondiale.
◦
Nous présentons une méthode de pré-formation de modèle hyperspectral basée sur l'apprentissage auto-supervisé et vérifions ses excellentes performances dans diverses tâches en aval.
◦
Une méthode visant à améliorer l’efficacité de calcul du réglage fin du modèle est présentée.
◦
Fournir des ensembles de données de référence pour diverses tâches en aval.
•
Limitations:
◦
S’appuyer uniquement sur les données EnMAP peut limiter la diversité de l’ensemble de données.
◦
Possibilité que la distribution des données soit biaisée en faveur de régions ou d’environnements spécifiques.
◦
Une analyse plus approfondie des performances de l’algorithme d’apprentissage auto-supervisé utilisé est nécessaire.
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation pour d’autres données de capteurs hyperspectraux.
👍
Made with Slashpage