論文の概要: Resampling Augmentation for Time Series Contrastive Learning: Application to Remote Sensing

• arxiv url: http://arxiv.org/abs/2506.18587v1
• Date: Mon, 23 Jun 2025 12:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.979653
• Title: Resampling Augmentation for Time Series Contrastive Learning: Application to Remote Sensing
• Title（参考訳）: 時系列コントラスト学習のための強化強化:リモートセンシングへの応用
• Authors: Antoine Saget, Baptiste Lafabregue, Antoine Cornuéjols, Pierre Gançarski,
• Abstract要約: 本稿では,アップサンプリング時系列によって正のペアを生成する新しい再サンプリング型拡張戦略を提案する。 我々は、Sentinel-2画像を用いて、複数の農業分類ベンチマークに対するアプローチを検証する。 本手法は,リモートセンシング時系列に対して,単純かつ効果的かつ対照的な学習拡張を提供する。
• 参考スコア（独自算出の注目度）: 0.7274730603514222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given the abundance of unlabeled Satellite Image Time Series (SITS) and the scarcity of labeled data, contrastive self-supervised pretraining emerges as a natural tool to leverage this vast quantity of unlabeled data. However, designing effective data augmentations for contrastive learning remains challenging for time series. We introduce a novel resampling-based augmentation strategy that generates positive pairs by upsampling time series and extracting disjoint subsequences while preserving temporal coverage. We validate our approach on multiple agricultural classification benchmarks using Sentinel-2 imagery, showing that it outperforms common alternatives such as jittering, resizing, and masking. Further, we achieve state-of-the-art performance on the S2-Agri100 dataset without employing spatial information or temporal encodings, surpassing more complex masked-based SSL frameworks. Our method offers a simple, yet effective, contrastive learning augmentation for remote sensing time series.
• Abstract（参考訳）: ラベルのない衛星画像時系列(SITS)の豊富さとラベル付きデータの不足を考えると、この膨大なラベル付きデータを活用するための自然なツールとして、対比的な自己監督型事前学習が出現する。 しかし, 比較学習のための効果的なデータ拡張を設計することは, 時系列ではまだ困難である。 時系列をアップサンプリングし、時間的カバレッジを保ちながらサブシーケンスを抽出し、正のペアを生成する。 筆者らは,Sentinel-2画像を用いた複数の農業分類ベンチマークにおいて,ジッタリング,リサイズ,マスキングなどの一般的な代替品よりも優れた性能を示した。 さらに,S2-Agri100データセット上で,空間情報やテンポラリエンコーディングを使わずに,より複雑なマスクベースのSSLフレームワークを超越して最先端のパフォーマンスを実現する。 本手法は,リモートセンシング時系列に対して,単純かつ効果的かつ対照的な学習拡張を提供する。

関連論文リスト

• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• Augmented Contrastive Clustering with Uncertainty-Aware Prototyping for Time Series Test Time Adaptation [28.793983148042134]
  テストタイム適応は、推論中にオンラインの未ラベルのテストデータのみを使用して、トレーニング済みのディープニューラルネットワークに適応することを目的としている。 既存のTTA手法は、もともと視覚タスク用に設計されたもので、実世界の時系列データの複雑な時間的ダイナミクスを効果的に扱えない可能性がある。 本稿では,時系列データに対する単純かつ効果的なTTA手法であるACCUP(Augmented Contrastive Clustering with Uncertainty-aware Prototyping)を提案する。
  論文  参考訳（メタデータ） (2025-01-01T11:45:17Z)
• Distillation Enhanced Time Series Forecasting Network with Momentum Contrastive Learning [7.4106801792345705]
  長周期時系列予測のための革新的蒸留強化フレームワークであるDE-TSMCLを提案する。 具体的には、タイムスタンプをマスクするかどうかを適応的に学習する学習可能なデータ拡張機構を設計する。 そこで本研究では,時系列のサンプル間および時間内相関を探索するために,モーメントを更新したコントラスト学習タスクを提案する。 複数のタスクからモデル損失を発生させることで、下流予測タスクの効果的な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-01-31T12:52:10Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Unsupervised CD in satellite image time series by contrastive learning and feature tracking [15.148034487267635]
  特徴追跡を用いたコントラスト学習を用いた衛星画像時系列における教師なし変化検出のための2段階のアプローチを提案する。 事前学習したモデルから擬似ラベルを抽出し,特徴追跡を用いて画像時系列間で伝達することにより,擬似ラベルの一貫性を改善し,長期リモートセンシング画像時系列における季節変化の課題に対処する。
  論文  参考訳（メタデータ） (2023-04-22T11:19:19Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)
• Mixing Up Contrastive Learning: Self-Supervised Representation Learning for Time Series [22.376529167056376]
  ラベルスムーシングの観点から,教師なしのコントラスト学習フレームワークを提案する。 提案手法は、データ拡張スキームを自然に活用する、新しい対照的な損失を用いる。 実験は、他の表現学習アプローチと比較して、フレームワークのパフォーマンスが優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-17T11:49:21Z)
• Semi-supervised Facial Action Unit Intensity Estimation with Contrastive Learning [54.90704746573636]
  提案手法では,手動でキーフレームを選択する必要はなく,2%の注釈付きフレームで最先端の結果を生成できる。 提案手法は, ランダムに選択したデータに対してわずか2%の費用で作業した場合に, 既存の手法よりも優れていることを実験的に検証した。
  論文  参考訳（メタデータ） (2020-11-03T17:35:57Z)

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。