Fugu-MT 論文翻訳(概要): SpecBPP: A Self-Supervised Learning Approach for Hyperspectral Representation and Soil Organic Carbon Estimation

論文の概要: SpecBPP: A Self-Supervised Learning Approach for Hyperspectral Representation and Soil Organic Carbon Estimation

arxiv url: http://arxiv.org/abs/2507.19781v1
Date: Sat, 26 Jul 2025 04:11:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-29 16:23:56.185951
Title: SpecBPP: A Self-Supervised Learning Approach for Hyperspectral Representation and Soil Organic Carbon Estimation
Title（参考訳）: SpecBPP: ハイパースペクトル表現と土壌有機炭素推定のための自己教師付き学習手法
Authors: Daniel La'ah Ayuba, Jean-Yves Guillemaut, Belen Marti-Cardona, Oscar Mendez Maldonado,
Abstract要約: ハイパースペクトル画像のための新しい自己教師型学習フレームワークを提案する。 SpecBPPは、シャッフルされたスペクトルセグメントの正しい順序を復元するモデルに挑戦する。本結果は,スペクトル秩序予測がハイパースペクトル理解のための強力な前提課題であることを示す。
参考スコア（独自算出の注目度）: 9.292155894591877
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Self-supervised learning has revolutionized representation learning in vision and language, but remains underexplored for hyperspectral imagery (HSI), where the sequential structure of spectral bands offers unique opportunities. In this work, we propose Spectral Band Permutation Prediction (SpecBPP), a novel self-supervised learning framework that leverages the inherent spectral continuity in HSI. Instead of reconstructing masked bands, SpecBPP challenges a model to recover the correct order of shuffled spectral segments, encouraging global spectral understanding. We implement a curriculum-based training strategy that progressively increases permutation difficulty to manage the factorial complexity of the permutation space. Applied to Soil Organic Carbon (SOC) estimation using EnMAP satellite data, our method achieves state-of-the-art results, outperforming both masked autoencoder (MAE) and joint-embedding predictive (JEPA) baselines. Fine-tuned on limited labeled samples, our model yields an $R^2$ of 0.9456, RMSE of 1.1053%, and RPD of 4.19, significantly surpassing traditional and self-supervised benchmarks. Our results demonstrate that spectral order prediction is a powerful pretext task for hyperspectral understanding, opening new avenues for scientific representation learning in remote sensing and beyond.
Abstract（参考訳）: 自己教師付き学習は、視覚と言語における表現学習に革命をもたらしたが、スペクトルバンドのシーケンシャル構造がユニークな機会を提供するハイパースペクトル画像(HSI)の探索はまだ過小評価されている。本研究では,HSIのスペクトル連続性を利用した自己教師型学習フレームワークSpectral Band Permutation Prediction (SpecBPP)を提案する。マスクバンドを再構築する代わりに、SpecBPPはシャッフルされたスペクトルセグメントの正しい順序を復元するモデルに挑戦し、大域的なスペクトル理解を促した。我々は、置換空間の因子的複雑さを管理するために、置換困難を徐々に増大させるカリキュラムベースの学習戦略を実装した。本手法は,EnMAP衛星データを用いた土壌有機炭素(SOC)推定に応用し,マスク付きオートエンコーダ(MAE)とジョイントエンベディング予測(JEPA)の両ベースラインよりも高い性能を示す。限定ラベル付きサンプルを微調整し,R^2$が0.9456,RMSEが1.1053%,RDDが4.19で,従来型および自己監督型ベンチマークを著しく上回った。以上の結果から,スペクトル秩序予測は高スペクトル理解のための強力な前提課題であり,遠隔センシングなどにおける科学的表現学習のための新たな道を開くことが示唆された。

関連論文リスト

Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [60.78615287040791]
XAStructは結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習フレームワークである。 XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
論文参考訳（メタデータ） (2025-06-13T15:58:05Z)
Adaptive Branch Specialization in Spectral-Spatial Graph Neural Networks for Certified Robustness [3.2771631221674333]
本稿では,グラフニューラルネットワーク(GNN)の各分岐を明示的に専門化する。スペクトルネットワークは、l0エッジの摂動に耐え、ホモフィル構造を捉えるように訓練され、空間部分はリンフ摂動とヘテロフィルパターンに抵抗するように設計されている。文脈対応ゲーティングネットワークは2つの表現を適応的に融合させ、各ノードのノードをより信頼性の高い分岐に動的にルーティングする。
論文参考訳（メタデータ） (2025-05-13T08:00:16Z)
Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。既存のSHGLメソッドには2つの大きな制限がある。ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
論文参考訳（メタデータ） (2024-12-01T09:33:20Z)
Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文参考訳（メタデータ） (2024-01-01T12:08:35Z)
deep-REMAP: Parameterization of Stellar Spectra Using Regularized Multi-Task Learning [0.0]
確率的推論のための非対称損失をもつ深層正規化アンサンブルに基づくマルチタスク学習(rmdeep-REMAP$) 我々は、PHOENIXライブラリからのリッチな合成スペクトルと、MARVELSサーベイからの観測データを利用して、恒星の大気パラメータを正確に予測する新しいフレームワークを開発する。
論文参考訳（メタデータ） (2023-11-07T05:41:48Z)
Learning Neural Eigenfunctions for Unsupervised Semantic Segmentation [12.91586050451152]
スペクトルクラスタリング(英: Spectral clustering)は、異なるクラスタを構築するために画素のスペクトル埋め込みを計算する理論上の解である。現在のアプローチは、まだスペクトル分解の非効率性と、試験データに適用する際の柔軟性に悩まされている。この研究は、スペクトルクラスタリングをニューラルネットワークに基づく固有関数を用いてスペクトル埋め込みを生成するパラメトリックアプローチとしてキャストすることで、これらの問題に対処する。実際には、神経固有関数は軽量であり、事前訓練されたモデルの特徴を入力とし、トレーニング効率を改善し、より密集した予測のための事前訓練されたモデルの可能性を解き放つ。
論文参考訳（メタデータ） (2023-04-06T03:14:15Z)
Latent Spectral Regularization for Continual Learning [21.445600749028923]
本研究では,学習者の潜伏空間の幾何学的特徴について検討する。潜在空間のラプラシアンスペクトルの弱い要求を強制する幾何正則化器を提案する。
論文参考訳（メタデータ） (2023-01-09T13:56:59Z)
Spectral Decomposition Representation for Reinforcement Learning [100.0424588013549]
本稿では, スペクトル分解表現法(SPEDER)を提案する。この手法は, データ収集ポリシーに急激な依存を生じさせることなく, ダイナミックスから状態-作用の抽象化を抽出する。理論的解析により、オンライン設定とオフライン設定の両方において提案アルゴリズムのサンプル効率が確立される。実験により、いくつかのベンチマークで現在の最先端アルゴリズムよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-08-19T19:01:30Z)
A Free Lunch from the Noise: Provable and Practical Exploration for Representation Learning [55.048010996144036]
ある雑音仮定の下では、対応するマルコフ遷移作用素の線型スペクトル特性を自由な閉形式で得られることを示す。本稿では,スペクトルダイナミクス埋め込み(SPEDE)を提案する。これはトレードオフを破り,雑音の構造を利用して表現学習のための楽観的な探索を完遂する。
論文参考訳（メタデータ） (2021-11-22T19:24:57Z)
Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
論文参考訳（メタデータ） (2021-08-16T11:52:08Z)
Convolutional Spectral Kernel Learning [21.595130250234646]
逆フーリエ変換に基づく解釈可能な畳み込みスペクトルカーネルネットワーク(textttCSKN)を構築する。一般化誤差境界を導出し、性能を改善するために2つの正規化器を導入する。実世界のデータセットを用いた実験は、学習フレームワークの有効性を検証する。
論文参考訳（メタデータ） (2020-02-28T14:35:54Z)

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。