論文の概要: Time2Agri: Temporal Pretext Tasks for Agricultural Monitoring

• arxiv url: http://arxiv.org/abs/2507.04366v1
• Date: Sun, 06 Jul 2025 12:20:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.142476
• Title: Time2Agri: Temporal Pretext Tasks for Agricultural Monitoring
• Title（参考訳）: Time2Agri:農業モニタリングのための時間的前提課題
• Authors: Moti Rattan Gupta, Anupam Sobti,
• Abstract要約: 我々は、時間差予測(TD)、時間周波数予測(FP)、未来フレーム予測(FF)の3つの新しい農業特化前文タスクを提案する。 SICKLEデータセットの総合的な評価は、作物マッピングにおけるFF 69.6%のIoUを示し、FPは収量予測誤差を30.7%のMAPEに削減する。 また、FFをインドの全国規模に拡大して54.2%のIoUを達成し、フィールド境界線上のすべてのベースラインを上回りました。
• 参考スコア（独自算出の注目度）: 0.46040036610482665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self Supervised Learning(SSL) has emerged as a prominent paradigm for label-efficient learning, and has been widely utilized by remote sensing foundation models(RSFMs). Recent RSFMs including SatMAE, DoFA, primarily rely on masked autoencoding(MAE), contrastive learning or some combination of them. However, these pretext tasks often overlook the unique temporal characteristics of agricultural landscape, namely nature's cycle. Motivated by this gap, we propose three novel agriculture-specific pretext tasks, namely Time-Difference Prediction(TD), Temporal Frequency Prediction(FP), and Future-Frame Prediction(FF). Comprehensive evaluation on SICKLE dataset shows FF achieves 69.6% IoU on crop mapping and FP reduces yield prediction error to 30.7% MAPE, outperforming all baselines, and TD remains competitive on most tasks. Further, we also scale FF to the national scale of India, achieving 54.2% IoU outperforming all baselines on field boundary delineation on FTW India dataset.
• Abstract（参考訳）: 自己監督学習(SSL)はラベル効率の学習において顕著なパラダイムとして登場し、リモートセンシング基礎モデル(RSFM)によって広く利用されている。 SatMAEやDoFAといった最近のRSFMは、主にマスク付きオートエンコーディング(MAE)、コントラスト学習、あるいはそれらのいくつかの組み合わせに依存している。 しかし、これらの規範的タスクは、しばしば農業の景観、すなわち自然のサイクルのユニークな時間的特性を見落としている。 そこで本研究では,時間差予測(TD),時間周波数予測(FP),未来フレーム予測(FF)の3つの新しい農業特化前文タスクを提案する。 SICKLEデータセットの総合的な評価によると、FFは作物マッピングにおいて69.6%のIoUを達成し、FPは収量予測誤差を30.7%のMAPEに減らし、全てのベースラインを上回り、TDは多くのタスクで競争力を維持している。 さらに、FFをインドの全国規模に拡大し、FTW Indiaデータセット上のフィールド境界線で全てのベースラインを上回る54.2%のIoUを達成した。

関連論文リスト

• Time Series Foundation Models are Flow Predictors [4.315451628809687]
  本研究では, 時系列基礎モデル(TSFM)の有効性を, モイライとタイムズFMに着目して評価した。 Bike NYC、Taxi Beijing、およびスペイン国内ODフローの3つの実世界のモビリティデータセットを評価する。
  論文  参考訳（メタデータ） (2025-07-01T16:51:16Z)
• FAF: A Feature-Adaptive Framework for Few-Shot Time Series Forecasting [33.21739905339563]
  FAF(Feature-Adaptive Time Series Forecasting Framework)を提案する。 FAFは、GKM(Generalized Knowledge Module)、TSM(Task-Specific Module)、RM( Rank Module)の3つの重要なコンポーネントで構成されている。 実世界の5つの異なる実世界のFAFを,数ショットの時系列予測設定で評価した。
  論文  参考訳（メタデータ） (2025-06-24T12:28:38Z)
• AgriFM: A Multi-source Temporal Remote Sensing Foundation Model for Crop Mapping [11.187551725609099]
  トランスフォーマーベースのリモートセンシング基礎モデル(RSFM)は、統一された処理能力のため、作物マッピングの可能性を秘めている。 農作物のマッピングに特化して設計された多時間リモートセンシング基盤モデルであるAgriFMを提案する。
  論文  参考訳（メタデータ） (2025-05-27T15:50:14Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective [50.093280002375984]
  多変量時系列予測モデル(MTS)では変数間の性能不公平性が広く存在する。 フェアネスを意識したMTS予測のための新しいフレームワークであるFairForを提案する。
  論文  参考訳（メタデータ） (2023-01-27T04:54:12Z)
• High-Resolution Satellite Imagery for Modeling the Impact of Aridification on Crop Production [2.5402662954395097]
  我々は3つの異なる衛星から異なる空間解像度の時系列画像を持つ、第一種データセットSICKLEを紹介した。 このデータセットは、デルタ州の4つの地区に分布する388個のプロットから、季節ごとに2,398個のサンプルで構成されている。 本データセットは,作物の種類,表現年月日(播種,移植,収穫),収量予測の3つの異なるタスクについてベンチマークし,実環境において重要な作物パラメータを予測するためのエンドツーエンドのフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-09-25T14:54:50Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• MST: Masked Self-Supervised Transformer for Visual Representation [52.099722121603506]
  Transformerは自然言語処理(NLP)における自己教師型事前学習に広く利用されている。 我々は、画像の局所的コンテキストを明示的にキャプチャできる、MSTと呼ばれる新しいMasked Self-supervised Transformerアプローチを提案する。 MSTは、線形評価による300エポック事前トレーニングのみを使用して、DeiT-Sで76.9%のTop-1精度を達成する。
  論文  参考訳（メタデータ） (2021-06-10T11:05:18Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)

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。