論文の概要: A Decade of Deep Learning for Remote Sensing Spatiotemporal Fusion: Advances, Challenges, and Opportunities

• arxiv url: http://arxiv.org/abs/2504.00901v1
• Date: Tue, 01 Apr 2025 15:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:21:49.617671
• Title: A Decade of Deep Learning for Remote Sensing Spatiotemporal Fusion: Advances, Challenges, and Opportunities
• Title（参考訳）: リモートセンシング時空間融合のための深層学習の10年 : 進歩・課題・機会
• Authors: Enzhe Sun, Yongchuan Cui, Peng Liu, Jining Yan,
• Abstract要約: 深層学習はリモートセンシングSTFに革命をもたらした。 本稿では,過去10年間のリモートセンシングSTFにおけるDL開発を概観的にレビューする。 既存の研究における大きな課題について論じ、将来有望な研究基準を特定する。
• 参考スコア（独自算出の注目度）: 2.2311172523629637
• License:
• Abstract: Hardware limitations and satellite launch costs make direct acquisition of high temporal-spatial resolution remote sensing imagery challenging. Remote sensing spatiotemporal fusion (STF) technology addresses this problem by merging high temporal but low spatial resolution imagery with high spatial but low temporal resolution imagery to efficiently generate high spatiotemporal resolution satellite images. STF provides unprecedented observational capabilities for land surface change monitoring, agricultural management, and environmental research. Deep learning (DL) methods have revolutionized the remote sensing spatiotemporal fusion field over the past decade through powerful automatic feature extraction and nonlinear modeling capabilities, significantly outperforming traditional methods in handling complex spatiotemporal data. Despite the rapid development of DL-based remote sensing STF, the community lacks a systematic review of this quickly evolving field. This paper comprehensively reviews DL developments in remote sensing STF over the last decade, analyzing key research trends, method classifications, commonly used datasets, and evaluation metrics. It discusses major challenges in existing research and identifies promising future research directions as references for researchers in this field to inspire new ideas. The specific models, datasets, and other information mentioned in this article have been collected in: https://github.com/yc-cui/Deep-Learning-Spatiotemporal-Fusion-Survey.
• Abstract（参考訳）: ハードウェアの制限と衛星打ち上げコストにより、高時間空間分解能リモートセンシング画像の直接取得は困難である。 リモートセンシング時空間融合(STF)技術は、高時空間分解能画像と高時空間分解能画像とを融合して高時空間分解能衛星画像を生成することでこの問題に対処する。 STFは、土地表面の変化監視、農業管理、環境研究のための前例のない観測能力を提供している。 深層学習(DL)法は、強力な自動特徴抽出と非線形モデリング機能により、過去10年間にリモートセンシング時空間融合の分野に革命をもたらし、複雑な時空間データを扱う従来の方法よりも大幅に優れている。 DLベースのリモートセンシングSTFの急速な開発にもかかわらず、コミュニティはこの急速に進化する分野の体系的なレビューを欠いている。 本稿では,過去10年間のリモートセンシングSTFにおけるDL開発を包括的にレビューし,主要な研究動向,メソッド分類,一般的に使用されているデータセット,評価指標について分析する。 既存の研究における大きな課題について論じ、将来有望な研究方向性を、新しいアイデアを刺激するためにこの分野の研究者の参考として挙げる。 この記事で言及されている具体的なモデル、データセット、その他の情報は、https://github.com/yc-cui/Deep-Learning-Spatiotemporal-Fusion-Surveyで収集されている。

関連論文リスト

• Deep Learning for Spatio-Temporal Fusion in Land Surface Temperature Estimation: A Comprehensive Survey, Experimental Analysis, and Future Trends [3.344876133162209]
  地表面温度(LST)は重要な環境過程を理解する上で重要な役割を果たしている。 衛星センサーはしばしば空間分解能と時間分解能のトレードオフに直面している。 時空間融合(STF)は、2つの衛星データソースを統合する強力な方法として登場した。
  論文  参考訳（メタデータ） (2024-12-21T13:53:15Z)
• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Time Travelling Pixels: Bitemporal Features Integration with Foundation Model for Remote Sensing Image Change Detection [28.40070234949818]
  Time Travelling Pixels (TTP)は、潜在知識基盤モデルを変更検出に統合する新しいアプローチである。 LEVIR-CDで得られた最先端の成績は,TTPの有効性を裏付けるものであった。
  論文  参考訳（メタデータ） (2023-12-23T08:56:52Z)
• Deep Learning for Spatiotemporal Big Data: A Vision on Opportunities and Challenges [4.497634148674422]
  一時的ビッグデータは、これまで不可能だった問題を解決する新たな機会を育むことができる。 ビッグデータの特徴は、ディープラーニング技術に新たな課題をもたらす。
  論文  参考訳（メタデータ） (2023-10-30T19:12:51Z)
• Remote Sensing Object Detection Meets Deep Learning: A Meta-review of Challenges and Advances [51.70835702029498]
  本稿では,ディープラーニングに基づくRSOD手法の最近の成果を概観する。 RSODの主な課題として,マルチスケールオブジェクト検出,回転オブジェクト検出,弱いオブジェクト検出,小さなオブジェクト検出,限られた監視を伴うオブジェクト検出の5つを挙げる。 また、RSODの分野で広く使用されているベンチマークデータセットと評価指標、およびRSODのアプリケーションシナリオについてもレビューする。
  論文  参考訳（メタデータ） (2023-09-13T06:48:32Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Tensor Decompositions for Hyperspectral Data Processing in Remote Sensing: A Comprehensive Review [85.36368666877412]
  ハイパースペクトル(HS)リモートセンシング(RS)イメージングは、地球表面の観測と分析のためにかなりの量の空間的およびスペクトル的情報を提供している。 近年のHS RS技術の進歩と革命は、様々な応用の可能性を実現する機会を与えている。 3次元HS固有の構造が維持されているため、テンソル分解はHSデータ処理タスクにおける幅広い関心や研究を引き起こしている。
  論文  参考訳（メタデータ） (2022-05-13T00:39:23Z)
• Deep Learning in Multimodal Remote Sensing Data Fusion: A Comprehensive Review [33.40031994803646]
  本調査は,DLに基づくマルチモーダルRSデータ融合の体系的概要を示すことを目的としている。 マルチモーダルRSデータ融合におけるサブフィールドについて,to-be-fusedデータモダリティの観点から検討する。 残る課題と今後の方向性が強調される。
  論文  参考訳（メタデータ） (2022-05-03T09:08:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。