論文の概要: Dynamic mapping from static labels: remote sensing dynamic sample generation with temporal-spectral embedding

• arxiv url: http://arxiv.org/abs/2506.02574v2
• Date: Thu, 24 Jul 2025 15:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:41.620078
• Title: Dynamic mapping from static labels: remote sensing dynamic sample generation with temporal-spectral embedding
• Title（参考訳）: 静的ラベルからの動的マッピング:時間-スペクトル埋め込みを用いたリモートセンシング動的サンプル生成
• Authors: Shuai Yuan, Shuang Chen, Tianwu Lin, Jincheng Yuan, Geng Tian, Yang Xu, Jie Wang, Peng Gong,
• Abstract要約: 地表面のダイナミクスはしばしば時間スペクトル列の異常として現れる。 TasGenは2段階の時間スペクトル対応自動サンプル生成法である。 人間の介入なしに、単一の日付の静的ラベルから動的トレーニングサンプルを生成する。
• 参考スコア（独自算出の注目度）: 5.288821007747202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate remote sensing geographic mapping requires timely and representative samples. However, rapid land surface changes often render static samples obsolete within months, making manual sample updates labor-intensive and unsustainable. To address this challenge, we propose TasGen, a two-stage Temporal spectral-aware Automatic Sample Generation method for generating dynamic training samples from single-date static labels without human intervention. Land surface dynamics often manifest as anomalies in temporal-spectral sequences. %These anomalies are multivariate yet unified: temporal, spectral, or joint anomalies stem from different mechanisms and cannot be naively coupled, as this may obscure the nature of changes. Yet, any land surface state corresponds to a coherent temporal-spectral signature, which would be lost if the two dimensions are modeled separately. To effectively capture these dynamics, TasGen first disentangles temporal and spectral features to isolate their individual contributions, and then couples them to model their synergistic interactions. In the first stage, we introduce a hierarchical temporal-spectral variational autoencoder (HTS-VAE) with a dual-dimension embedding to learn low-dimensional latent patterns of normal samples by first disentangling and then jointly embedding temporal and spectral information. This temporal-spectral embedding enables robust anomaly detection by identifying deviations from learned joint patterns. In the second stage, a classifier trained on stable samples relabels change points across time to generate dynamic samples. To not only detect but also explain surface dynamics, we further propose an anomaly interpretation method based on Gibbs sampling, which attributes changes to specific spectral-temporal dimensions.
• Abstract（参考訳）: 正確なリモートセンシング地理マッピングには、タイムリーで代表的なサンプルが必要である。 しかし、土地表面の急激な変化は、静的なサンプルを数ヶ月以内に時代遅れにすることが多く、手動によるサンプル更新は労働集約的で持続不可能である。 この課題に対処するために,TasGenを提案する。これは2段階の時間スペクトルを意識した自動サンプル生成手法で,人間の介入なしに単一日付の静的ラベルから動的トレーニングサンプルを生成する。 地表面のダイナミクスはしばしば時間スペクトル列の異常として現れる。 時間的・スペクトル的・関節的異常は異なるメカニズムから来ており、変化の性質を曖昧にする可能性があるため、神経結合はできない。 しかし、陸面状態はコヒーレントな時間スペクトルのシグネチャに対応しており、2つの次元が別々にモデル化された場合、失われる。 これらのダイナミクスを効果的に捉えるために、TasGenは最初、時間的特徴とスペクトル的特徴を分離して個々のコントリビューションを分離し、それらを結合して相乗的相互作用をモデル化する。 第1段階では,2次元埋め込みを組み込んだ階層型時間スペクトル変動オートエンコーダ(HTS-VAE)を導入し,まず,時間・スペクトル情報を同時埋め込みすることで,通常のサンプルの低次元潜時パターンを学習する。 この時間スペクトル埋め込みは、学習された関節パターンからの偏差を識別することにより、堅牢な異常検出を可能にする。 第2段階では、安定したサンプルに基づいて訓練された分類器が時間とともに変化点をリラベルし、動的サンプルを生成する。 さらに, 表面力学を検出・説明するだけでなく, 特定のスペクトル時間次元の変化を特徴付けるギブスサンプリングに基づく異常解釈手法を提案する。

関連論文リスト

• Whenever, Wherever: Towards Orchestrating Crowd Simulations with Spatio-Temporal Spawn Dynamics [65.72663487116439]
  ニューラル・テンポラル・ポイント・プロセスを用いて生成時間生成ダイナミクスをモデル化するnTPP-GMMを提案する。 我々は,nTPP-GMMを用いた3つの実世界のデータセットのシミュレーションによるアプローチの評価を行った。
  論文  参考訳（メタデータ） (2025-03-20T18:46:41Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Self-Supervised Temporal Analysis of Spatiotemporal Data [2.2720298829059966]
  地理空間活動の時間的パターンと土地利用のタイプとの間には相関関係がある。 移動活動時系列に基づいて景観を階層化する,新たな自己教師型手法を提案する。 実験により、時間埋め込みは時系列データの意味論的に意味のある表現であり、異なるタスクにまたがって効果的であることが示されている。
  論文  参考訳（メタデータ） (2023-04-25T20:34:38Z)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
  多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。 このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。 異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
  論文  参考訳（メタデータ） (2022-02-25T01:50:22Z)
• Graph-Guided Network for Irregularly Sampled Multivariate Time Series [15.919269970122555]
  本稿では,不規則なサンプル時系列の表現を学習するためのグラフ誘導ネットワークであるRAINDROPを紹介する。 RAINDROPはすべてのサンプルをグラフとして表現し、ノードはセンサーを示し、エッジはそれら間の依存関係を表す。 我々は、RAINDROPを用いて時系列を分類し、3つの医療および人間の活動データセットの時間的ダイナミクスを解釈する。
  論文  参考訳（メタデータ） (2021-10-11T15:37:58Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• Virtual Temporal Samples for Recurrent Neural Networks: applied to semantic segmentation in agriculture [2.6323812778809907]
  本稿では,農業ロボットの文脈における時間的意味的セグメンテーションの実現の可能性について検討する。 仮想時間サンプルを生成することにより、軽量なRNNを訓練してセマンティックセグメンテーションを行うことが可能であることを実証する。 以上の結果から,仮想サンプルを用いて時間的セマンティックセマンティックセマンティクスをトレーニングすることにより,サツマイモおよびサトウキビデータセットの絶対4.6と4.9で性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-06-18T13:15:54Z)
• Deep Convolution for Irregularly Sampled Temporal Point Clouds [39.51507835155255]
  不規則なサンプルで表される連続空間時間過程のダイナミクスを空間と時間の両方でモデル化する問題を検討する。 本稿では,この不規則なサンプルデータを直接学習し,予測できる新しい深層モデルを提案する。 我々は,StarCraft IIにおける実世界の気象観測データと大軍間の戦闘について実験を行った。
  論文  参考訳（メタデータ） (2021-05-01T00:54:32Z)
• Anytime Sampling for Autoregressive Models via Ordered Autoencoding [88.01906682843618]
  自動回帰モデルは画像生成や音声生成などのタスクに広く使われている。 これらのモデルのサンプリングプロセスは割り込みを許さず、リアルタイムの計算資源に適応できない。 いつでもサンプリングできる新しい自動回帰モデルファミリーを提案します。
  論文  参考訳（メタデータ） (2021-02-23T05:13:16Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Effective Distant Supervision for Temporal Relation Extraction [49.20329405920023]
  新しい領域における時間的関係抽出モデルを訓練するための主要な障壁は、多様で高品質な例がないことである。 本稿では,時間関係の遠隔管理例を自動的に収集する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-24T03:17:31Z)
• Applications of shapelet transform to time series classification of earthquake, wind and wave data [0.0]
  「シェープレット変換」は時系列列の形状の局所的類似性に基づく。 理解可能な特徴と透過的なアルゴリズムを備えた「ホワイトボックス」機械学習モデルを提案する。 モデルはドメインの実践者の介入なしにイベント検出を自動化する。
  論文  参考訳（メタデータ） (2020-04-22T10:17:24Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。