リモートセンシングにおける少量学習セマンティックセグメンテーションの一般化された設定を提案し、それに対するベンチマークを提供する。
リモートセンシング変化分析のための対話型モデルであるChangeChat は、マルチモーダル命令チューニングを活用し、変化キャプショニング、カテゴリ別変化量定量化、変化位置特定などの複雑な変化分析タスクに対応できる。
軽量航空機搭載プッシュブルームイメージング分光計の幾何学的校正を、GPS/INSデータに頼ることなく自動的に行う手法を提案する。
提案するPPMambaモデルは、CNNとMambaを統合することで、リモートセンシング画像の意味論的セグメンテーションタスクにおける局所的情報の損失を軽減する。
3D-SARトモグラフィーデータとLiDARデータを組み合わせたマシンラーニングモデルを使用することで、高精度な樹高推定が可能となった。
高解像度多分光衛星画像の大気補正を行い、その補正データを用いた半教師あり学習モデルによる土地利用/土地被覆の高精度な分類が可能である。
提案したMFDS-Netは、変化対象の詳細な記述と地理情報の強化、変化対象の局在化と弱い特徴の取得を目的としている。
高解像度(10メートル)の建物高さデータを効率的に生成するために、光学データ、レーダーデータ、建物フットプリントデータを組み合わせた特徴データベースを構築し、機械学習モデルを開発した。
人間によるアノテーションのラベルノイズは、クラスや事例に依存しており、ConvNetの分類精度を大きく低下させる。しかし、ConvNetはある程度のラベルノイズに対して頑健性を示す。
マルチスペクトル衛星画像のクラスの曖昧さ指標を用いて、深層アクティブラーニングの動作を解釈可能にする新しいフレームワークを提案する。