論文の概要: From Time-series Generation, Model Selection to Transfer Learning: A Comparative Review of Pixel-wise Approaches for Large-scale Crop Mapping

• arxiv url: http://arxiv.org/abs/2507.12590v2
• Date: Sun, 10 Aug 2025 03:45:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 16:55:53.655122
• Title: From Time-series Generation, Model Selection to Transfer Learning: A Comparative Review of Pixel-wise Approaches for Large-scale Crop Mapping
• Title（参考訳）: 時系列生成からモデル選択からトランスファーラーニングへ:大規模作物マッピングにおける画素単位のアプローチの比較
• Authors: Judy Long, Tao Liu, Sean Alexander Woznicki, Miljana Marković, Oskar Marko, Molly Sears,
• Abstract要約: 本研究は,大規模・画素単位の作物マッピングの総合的なレビューを初めて行ったものである。 我々は,広範に採用されている6つの衛星画像に基づく前処理手法と,11個の教師付き画素単位の分類モデルの比較実験を行った。 ドメインシフトの異なる大きさの最適転送学習手法を同定した。
• 参考スコア（独自算出の注目度）: 1.5836110385376183
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Crop mapping involves identifying and classifying crop types using spatial data, primarily derived from remote sensing imagery. This study presents the first comprehensive review of large-scale, pixel-wise crop mapping workflows, encompassing both conventional supervised methods and emerging transfer learning approaches. To identify the optimal time-series generation approaches and supervised crop mapping models, we conducted systematic experiments, comparing six widely adopted satellite image-based preprocessing methods, alongside eleven supervised pixel-wise classification models. Additionally, we assessed the synergistic impact of varied training sample sizes and variable combinations. Moreover, we identified optimal transfer learning techniques for different magnitudes of domain shift. The evaluation of optimal methods was conducted across five diverse agricultural sites. Landsat 8 served as the primary satellite data source. Labels come from CDL trusted pixels and field surveys. Our findings reveal three key insights. First, fine-scale interval preprocessing paired with Transformer models consistently delivered optimal performance for both supervised and transferable workflows. RF offered rapid training and competitive performance in conventional supervised learning and direct transfer to similar domains. Second, transfer learning techniques enhanced workflow adaptability, with UDA being effective for homogeneous crop classes while fine-tuning remains robust across diverse scenarios. Finally, workflow choice depends heavily on the availability of labeled samples. With a sufficient sample size, supervised training typically delivers more accurate and generalizable results. Below a certain threshold, transfer learning that matches the level of domain shift is a viable alternative to achieve crop mapping. All code is publicly available to encourage reproducibility practice.
• Abstract（参考訳）: 作物マッピングは、主にリモートセンシング画像から派生した空間データを用いて作物の種類を特定し分類する。 本研究は,大規模・画素単位の作物マッピングワークフローを包括的に検討し,従来の教師付き手法と新たな移動学習アプローチの両方を包括的に紹介する。 最適な時系列生成手法と教師付き作物マッピングモデルを同定するために,11の教師付き画素単位の分類モデルとともに,広く採用されている6つの衛星画像に基づく前処理手法を比較し,系統的な実験を行った。 さらに,各種サンプルサイズと変数の組み合わせが相乗効果に与える影響について検討した。 さらに、ドメインシフトの異なる大きさの最適な転送学習手法を同定した。 最適な方法の評価は,5つの多様な農業施設で行った。 ランドサット8号は主要な衛星データ源であった。 ラベルは、CDL信頼できるピクセルとフィールドサーベイから来ている。 私たちの発見は3つの重要な洞察を浮き彫りにした。 第一に、Transformerモデルと組み合わせた微細な間隔前処理は、教師付きワークフローと転送可能なワークフローの両方に対して、常に最適なパフォーマンスを提供する。 RFは、従来の教師付き学習において、迅速な訓練と競争性能を提供し、類似のドメインに直接移行した。 第二に、トランスファーラーニング技術はワークフロー適応性を向上し、UDAは均質な作物のクラスに有効であるが、微調整は様々なシナリオで堅牢である。 最後に、ワークフローの選択はラベル付きサンプルの可用性に大きく依存する。 十分なサンプルサイズで、教師付きトレーニングは一般的により正確で一般化可能な結果をもたらす。 一定のしきい値以下では、ドメインシフトのレベルにマッチする転送学習が、作物マッピングを実現するための実行可能な代替手段である。 すべてのコードは、再現性プラクティスを促進するために公開されています。

関連論文リスト

• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
  本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。 我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。 実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-14T14:23:23Z)
• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• GenCo: An Auxiliary Generator from Contrastive Learning for Enhanced Few-Shot Learning in Remote Sensing [9.504503675097137]
  我々は、バックボーンを事前訓練し、同時に特徴サンプルの変種を探索するジェネレータベースのコントラスト学習フレームワーク(GenCo)を導入する。 微調整では、補助ジェネレータを使用して、特徴空間内の限られたラベル付きデータサンプルを濃縮することができる。 本稿では,2つの重要なリモートセンシングデータセットにおいて,この手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-27T03:59:19Z)
• In-Domain Self-Supervised Learning Improves Remote Sensing Image Scene Classification [5.323049242720532]
  リモートセンシング画像分類のための有望なアプローチとして,自己教師付き学習が登場している。 そこで本研究では,14の下流データセットにまたがる自己教師型事前学習戦略について検討し,その効果を評価する。
  論文  参考訳（メタデータ） (2023-07-04T10:57:52Z)
• On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
  教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。 トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
  論文  参考訳（メタデータ） (2023-05-20T16:23:50Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Minimum Class Confusion based Transfer for Land Cover Segmentation in Rural and Urban Regions [0.0]
  本研究では,移動学習手法を用いて土地被覆地図の作成を可能にするセマンティックセグメンテーション手法を提案する。 低解像度画像で訓練されたモデルと、対象領域やズームレベルの不十分なデータを比較した。 都市部における移動学習のセグメンテーション性能は,農村部では3.4%,都市部では12.9%であった。
  論文  参考訳（メタデータ） (2022-12-05T09:41:06Z)
• How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
  転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。 本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。 スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
  論文  参考訳（メタデータ） (2021-11-26T11:58:51Z)
• Self-Supervised Prototypical Transfer Learning for Few-Shot Classification [11.96734018295146]
  自己教師ありトランスファー学習アプローチ ProtoTransferは、数ショットタスクにおいて、最先端の教師なしメタラーニング手法より優れている。 ドメインシフトを用いた数ショットの実験では、我々のアプローチは教師付きメソッドに匹敵する性能を持つが、ラベルの桁数は桁違いである。
  論文  参考訳（メタデータ） (2020-06-19T19:00:11Z)

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。