論文の概要: A Joint Learning Framework with Feature Reconstruction and Prediction for Incomplete Satellite Image Time Series in Agricultural Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2505.19159v1
• Date: Sun, 25 May 2025 14:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.941635
• Title: A Joint Learning Framework with Feature Reconstruction and Prediction for Incomplete Satellite Image Time Series in Agricultural Semantic Segmentation
• Title（参考訳）: 農業セマンティックセマンティックセグメンテーションにおける特徴再構成と不完全な衛星画像時系列の予測を伴う共同学習フレームワーク
• Authors: Yuze Wang, Mariana Belgiu, Haiyang Wu, Dandan Zhong, Yangyang Cao, Chao Tao,
• Abstract要約: 不完全なSITSに対処するための特徴再構成と予測を伴う共同学習フレームワークを提案する。 本手法により, 平均F1スコアが6.93%, 7.09%向上することが確認された。
• 参考スコア（独自算出の注目度）: 3.808725321596432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Satellite Image Time Series (SITS) is crucial for agricultural semantic segmentation. However, Cloud contamination introduces time gaps in SITS, disrupting temporal dependencies and causing feature shifts, leading to degraded performance of models trained on complete SITS. Existing methods typically address this by reconstructing the entire SITS before prediction or using data augmentation to simulate missing data. Yet, full reconstruction may introduce noise and redundancy, while the data-augmented model can only handle limited missing patterns, leading to poor generalization. We propose a joint learning framework with feature reconstruction and prediction to address incomplete SITS more effectively. During training, we simulate data-missing scenarios using temporal masks. The two tasks are guided by both ground-truth labels and the teacher model trained on complete SITS. The prediction task constrains the model from selectively reconstructing critical features from masked inputs that align with the teacher's temporal feature representations. It reduces unnecessary reconstruction and limits noise propagation. By integrating reconstructed features into the prediction task, the model avoids learning shortcuts and maintains its ability to handle varied missing patterns and complete SITS. Experiments on SITS from Hunan Province, Western France, and Catalonia show that our method improves mean F1-scores by 6.93% in cropland extraction and 7.09% in crop classification over baselines. It also generalizes well across satellite sensors, including Sentinel-2 and PlanetScope, under varying temporal missing rates and model backbones.
• Abstract（参考訳）: 衛星画像時系列(SITS)は農業のセマンティックセグメンテーションに不可欠である。 しかし、クラウド汚染は、SITSの時間的ギャップを導入し、時間的依存関係を中断し、機能シフトを引き起こし、完全なSITSでトレーニングされたモデルの劣化したパフォーマンスをもたらす。 既存の手法では、予測の前にSITS全体を再構築したり、データ拡張を使用して失われたデータをシミュレートすることで、この問題に対処するのが一般的である。 しかし、完全な再構築はノイズと冗長性をもたらすかもしれないが、データ拡張モデルは不足するパターンを限定的に扱えるだけであり、一般化は不十分である。 本研究では,不完全なSITSに対処するための特徴再構成と予測を併用した共同学習フレームワークを提案する。 トレーニング中、時間マスクを用いてデータ消去シナリオをシミュレートする。 この2つの課題は、総合的なSITSで訓練された教師モデルとグランド・トラス・レーベルによって導かれる。 予測タスクは、教師の時間的特徴表現と整合したマスク入力から重要な特徴を選択的に再構成することを妨げる。 不要な再建を減らし、騒音の伝搬を制限する。 再構成された特徴を予測タスクに統合することにより、モデルはショートカットの学習を回避し、様々な欠落パターンと完全なSITSを扱う能力を維持する。 華南省・西フランス・カタルーニャ州で行ったSITS実験では,F1スコアの平均値が6.93%向上し,ベースラインよりも7.09%向上した。 また、Sentinel-2やPlanetScopeなどの衛星センサーを、時間的欠落率やモデルバックボーンでうまく一般化する。

関連論文リスト

• TSPulse: Dual Space Tiny Pre-Trained Models for Rapid Time-Series Analysis [12.034816114258803]
  TSPulseは、1Mパラメータしか持たない超コンパクトな時系列事前訓練モデルである。 分類、異常検出、インプット、検索タスクで強く機能する。 TSPulse 10-100Xは、既存のトレーニング済みモデルよりも小さくなっている。
  論文  参考訳（メタデータ） (2025-05-19T12:18:53Z)
• Self-supervised Spatial-Temporal Learner for Precipitation Nowcasting [5.365086662531667]
  気象の短期予測は、時間と天候に依存した決定を行うために不可欠である。 本研究では,自己教師型学習の利点を活用し,空間時間学習と統合し,新しいモデルであるSpaT-SparKを開発した。
  論文  参考訳（メタデータ） (2024-12-20T14:09:36Z)
• Exact: Exploring Space-Time Perceptive Clues for Weakly Supervised Satellite Image Time Series Semantic Segmentation [11.193770734116981]
  本論文は,作物マッピングタスクを総括的アノテーション負担から解放する,弱教師付きパラダイム(画像レベルのカテゴリのみ使用可能な)を取り入れたものである。 本稿では,時空知覚的手がかりを探索する新しい手法を提案する。 本手法は,様々なSITSベンチマークにおいて顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-12-05T08:37:56Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Disentangling Spatial and Temporal Learning for Efficient Image-to-Video Transfer Learning [59.26623999209235]
  ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。 DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。 5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
  論文  参考訳（メタデータ） (2023-09-14T17:58:33Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Revisiting the Encoding of Satellite Image Time Series [2.5874041837241304]
  画像時系列(SITS)時間学習は、高時間分解能と不規則な取得時間のために複雑である。 我々は、クエリベースのトランスフォーマーデコーダを採用する最近のトレンドに触発されて、直接セット予測問題としてSITS処理の新たな視点を開発する。 衛星PASTISベンチマークデータセットを用いて,SOTA(State-of-the-art)の新たな結果を得た。
  論文  参考訳（メタデータ） (2023-05-03T12:44:20Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)

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。