論文の概要: Benchmarking for Practice: Few-Shot Time-Series Crop-Type Classification on the EuroCropsML Dataset
- arxiv url: http://arxiv.org/abs/2504.11022v2
- Date: Thu, 25 Sep 2025 13:37:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-26 14:16:55.772426
- Title: Benchmarking for Practice: Few-Shot Time-Series Crop-Type Classification on the EuroCropsML Dataset
- Title（参考訳）: 実践のためのベンチマーク:EuroCropsMLデータセット上のFew-Shot Time-Series Crop型分類
- Authors: Joana Reuss, Jan Macdonald, Simon Becker, Ekaterina Gikalo, Konrad Schultka, Lorenz Richter, Marco Körner,
- Abstract要約: MAMLに基づくメタ学習アルゴリズムは、教師付き転送学習やSSL法に比べて若干精度が高い。
教師付き手法は、地理的に近接した地域で事前訓練されたり微調整されたりした場合、最も恩恵を受ける。
SSLは、特に現実世界の作物タイプの分類に不可欠なきめ細かい特徴をキャプチャする上で、スクラッチからトレーニングするよりも利点がある。
- 参考スコア（独自算出の注目度）: 11.040288800003054
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate crop-type classification from satellite time series is essential for agricultural monitoring. While various machine learning algorithms have been developed to enhance performance on data-scarce tasks, their evaluation often lacks real-world scenarios. Consequently, their efficacy in challenging practical applications has not yet been profoundly assessed. To facilitate future research in this domain, we present the first comprehensive benchmark for evaluating supervised and SSL methods for crop-type classification under real-world conditions. This benchmark study relies on the EuroCropsML time-series dataset, which combines farmer-reported crop data with Sentinel-2 satellite observations from Estonia, Latvia, and Portugal. Our findings indicate that MAML-based meta-learning algorithms achieve slightly higher accuracy compared to supervised transfer learning and SSL methods. However, compared to simpler transfer learning, the improvement of meta-learning comes at the cost of increased computational demands and training time. Moreover, supervised methods benefit most when pre-trained and fine-tuned on geographically close regions. In addition, while SSL generally lags behind meta-learning, it demonstrates advantages over training from scratch, particularly in capturing fine-grained features essential for real-world crop-type classification, and also surpasses standard transfer learning. This highlights its practical value when labeled pre-training crop data is scarce. Our insights underscore the trade-offs between accuracy and computational demand in selecting supervised machine learning methods for real-world crop-type classification tasks and highlight the difficulties of knowledge transfer across diverse geographic regions. Furthermore, they demonstrate the practical value of SSL approaches when labeled pre-training crop data is scarce.
- Abstract（参考訳）: 衛星時系列からの正確な作物分類は、農業モニタリングに不可欠である。
データスカースタスクのパフォーマンス向上のために、さまざまな機械学習アルゴリズムが開発されているが、それらの評価は現実のシナリオに欠けることが多い。
その結果, 実用上の課題に対する有効性はまだ十分に評価されていない。
この領域における今後の研究を容易にするため、実環境下での作物タイプ分類のための教師付きおよびSSLメソッドの評価を行うための、最初の総合的なベンチマークを示す。
このベンチマーク研究は、エストニア、ラトビア、ポルトガルからのSentinel-2衛星観測と農家が報告した作物データを組み合わせたEuroCropsML時系列データセットに依存している。
以上の結果から,MAMLに基づくメタ学習アルゴリズムは,教師付きトランスファー学習やSSL法に比べて若干精度が高いことが示唆された。
しかし、単純な移動学習と比較して、メタ学習の改善は、計算要求の増加とトレーニング時間によるコストが伴う。
さらに、地理的に近接した地域で事前訓練および微調整を行う場合、教師付き手法は最も有用である。
さらに、SSLは一般的にメタラーニングに遅れているが、特に現実世界の作物の分類に不可欠なきめ細かい特徴を捉えることで、スクラッチからのトレーニングよりも優位性を示している。
これは、ラベル付き事前学習作物データが不足している場合の実用的価値を強調している。
実世界の作物分類作業における教師あり機械学習手法の選択における精度と計算需要のトレードオフを明らかにし,多様な地域にわたる知識伝達の難しさを強調した。
さらに、ラベル付き事前学習作物データが不足している場合、SSLアプローチの実用的価値を示す。
関連論文リスト
- ReGUIDE: Data Efficient GUI Grounding via Spatial Reasoning and Search [53.40810298627443]
ReGUIDEは、MLLMが自己生成的推論と空間認識的批判を通じてデータを効率的に学習することを可能にするWebグラウンドのためのフレームワークである。
実験により、ReGUIDEは複数のベンチマークでWebグラウンド性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2025-05-21T08:36:18Z) - FTA-FTL: A Fine-Tuned Aggregation Federated Transfer Learning Scheme for Lithology Microscopic Image Classification [4.245694283697248]
この研究には2つのフェーズがあり、第1に、転送学習を用いて小さなデータセット上でLithology microscopic image classificationを行う。
第2フェーズでは、フェデレート・トランスファーラーニング・スキームに分類タスクを定式化し、フェデレート・ラーニングのためのファインチューニング・アグリゲーション・ストラテジー(FTA-FTL)を提案した。
その結果,提案手法の効率性は良好であり,FTA-FTLアルゴリズムがLithology microscopic image classification taskの集中的実装により得られたほぼ同じ結果が得られることを示す。
論文 参考訳（メタデータ） (2025-01-06T19:32:14Z) - Detecting Training Data of Large Language Models via Expectation Maximization [62.28028046993391]
本稿では,予測最大化アルゴリズムを用いて,メンバーシップスコアとプレフィックススコアを反復的に洗練する新しいメンバーシップ推論手法EM-MIAを紹介する。
EM-MIAはWikiMIAで最先端の結果を得る。
論文 参考訳（メタデータ） (2024-10-10T03:31:16Z) - Semantic Meta-Split Learning: A TinyML Scheme for Few-Shot Wireless Image Classification [50.28867343337997]
本研究は,TinyMLを用いた無線画像分類のためのセマンティック・コミュニケーション・フレームワークを提案する。
我々は、プライバシ保護を確保しつつ、エンドユーザーによって実行される計算を制限するために分割学習を利用する。
メタ学習は、データ可用性の懸念を克服し、同様のトレーニングされたタスクを利用することで、トレーニングを高速化する。
論文 参考訳（メタデータ） (2024-09-03T05:56:55Z) - Optimization Efficient Open-World Visual Region Recognition [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2023-11-02T16:31:49Z) - Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。
そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。
実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-05-12T02:23:25Z) - TIML: Task-Informed Meta-Learning for Agriculture [20.555341678693495]
我々は、データ分散領域における農業文脈におけるメタラーニングの利用を探求する以前の研究に基づいて構築した。
本稿では,タスク固有のメタデータを活用するモデルに依存しないメタラーニングの強化であるタスクインフォームドメタラーニング(TIML)を紹介する。
論文 参考訳（メタデータ） (2022-02-04T13:27:55Z) - Generating meta-learning tasks to evolve parametric loss for
classification learning [1.1355370218310157]
既存のメタ学習アプローチでは、メタモデルをトレーニングするための学習タスクは通常、公開データセットから収集される。
本稿では,ランダムに生成したメタ学習タスクに基づくメタ学習手法を提案し,ビッグデータに基づく分類学習におけるパラメトリックな損失を求める。
論文 参考訳（メタデータ） (2021-11-20T13:07:55Z) - Knowledge-Aware Meta-learning for Low-Resource Text Classification [87.89624590579903]
本稿では,低リソーステキスト分類問題について検討し,メタトレーニングとメタテストのギャップを埋める。
抽出した文固有知識グラフから学習した各文に対する追加表現を提案する。
論文 参考訳（メタデータ） (2021-09-10T07:20:43Z) - Recognition and Processing of NATOM [0.0]
本稿では,民間航空分野におけるNOTAM(Notice to Airmen)データの処理方法について述べる。
NOTAMのオリジナルのデータには、中国語と英語の混合があり、構造は貧弱です。
グローブワードベクターメソッドを使用して、カスタムマッピング語彙を使用するデータを表現する。
論文 参考訳（メタデータ） (2021-04-29T10:12:00Z) - Unsupervised Neural Machine Translation for Low-Resource Domains via
Meta-Learning [27.86606560170401]
unsupervised neural machine translation (UNMT) のための新しいメタ学習アルゴリズムを提案する。
私たちは、少量のトレーニングデータだけを利用して、別のドメインに適応するようにモデルを訓練します。
我々のモデルは、最大2-4 BLEUスコアの転送学習に基づくアプローチを超越している。
論文 参考訳（メタデータ） (2020-10-18T17:54:13Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳（メタデータ） (2020-09-08T21:55:22Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z)
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。