Détail de l'auteur
Auteur Simone Scardapane |
Documents disponibles écrits par cet auteur (1)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externes
GeoMultiTaskNet: remote sensing unsupervised domain adaptation using geographical coordinates / Valerio Marsocci (2023)
Titre : GeoMultiTaskNet: remote sensing unsupervised domain adaptation using geographical coordinates Type de document : Article/Communication Auteurs : Valerio Marsocci, Auteur ; Nicolas Gonthier, Auteur ; Anatol Garioud , Auteur ; Simone Scardapane, Auteur ; Clément Mallet , Auteur Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2023 Conférence : CVPR 2023, IEEE Conference on Computer Vision and Pattern Recognition workshops 18/06/2023 22/06/2023 Vancouver Colombie britannique - Canada OA Proceedings Importance : 11 p. Format : 21 x 30 cm Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] base de données d'occupation du sol
[Termes IGN] image à très haute résolution
[Termes IGN] jeu de données localisées
[Termes IGN] métadonnées géographiques
[Termes IGN] segmentation sémantiqueRésumé : (auteur) Land cover maps are a pivotal element in a wide range of Earth Observation (EO) applications. However, annotating large datasets to develop supervised systems for remote sensing (RS) semantic segmentation is costly and time-consuming. Unsupervised Domain Adaption (UDA) could tackle these issues by adapting a model trained on a source domain, where labels are available, to a target domain, without annotations. UDA, while gaining importance in computer vision, is still under-investigated in RS. Thus, we propose a new lightweight model, GeoMultiTaskNet, based on two contributions: a GeoMultiTask module (GeoMT), which utilizes geographical coordinates to align the source and target domains, and a Dynamic Class Sampling (DCS) strategy, to adapt the semantic segmentation loss to the frequency of classes. This approach is the first to use geographical metadata for UDA in semantic segmentation. It reaches state-of-the-art performances (47,22% mIoU), reducing at the same time the number of parameters (33M), on a subset of the FLAIR dataset, a recently proposed dataset properly shaped for RS UDA, used for the first time ever for research scopes here. Numéro de notice : C2023-004 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers HAL Thématique : IMAGERIE Nature : Communication DOI : 10.48550/arXiv.2304.07750 En ligne : https://doi.org/10.48550/arXiv.2304.07750 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103083