論文の概要: An Efficient Machine Learning Framework for Forest Height Estimation from Multi-Polarimetric Multi-Baseline SAR data
- arxiv url: http://arxiv.org/abs/2507.20798v1
- Date: Mon, 28 Jul 2025 13:07:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:58.125373
- Title: An Efficient Machine Learning Framework for Forest Height Estimation from Multi-Polarimetric Multi-Baseline SAR data
- Title(参考訳): マルチポラリメトリックマルチベースラインSARデータを用いた森林高度推定のための効率的な機械学習フレームワーク
- Authors: Francesca Razzano, Wenyu Yang, Sergio Vitale, Giampaolo Ferraioli, Silvia Liberata Ullo, Gilda Schirinzi,
- Abstract要約: 本稿では,LiDARプロファイルを用いた多チャンネルSAR処理をGT(GT)として用いた森林高度推定フレームワークFGumpを紹介する。
精度と計算効率のバランスを保ち、手動設計の特徴の限られたセットを使い、重い前処理を避ける(例えば、キャリブレーションや量子化)。
実験の結果,FGumpはAIベースおよび古典的手法よりも優れており,精度が向上し,トレーニングや推論時間も著しく低下していることがわかった。
- 参考スコア(独自算出の注目度): 2.395410408500006
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate forest height estimation is crucial for climate change monitoring and carbon cycle assessment. Synthetic Aperture Radar (SAR), particularly in multi-channel configurations, has provided support for a long time in 3D forest structure reconstruction through model-based techniques. More recently, data-driven approaches using Machine Learning (ML) and Deep Learning (DL) have enabled new opportunities for forest parameter retrieval. This paper introduces FGump, a forest height estimation framework by gradient boosting using multi-channel SAR processing with LiDAR profiles as Ground Truth(GT). Unlike typical ML and DL approaches that require large datasets and complex architectures, FGump ensures a strong balance between accuracy and computational efficiency, using a limited set of hand-designed features and avoiding heavy preprocessing (e.g., calibration and/or quantization). Evaluated under both classification and regression paradigms, the proposed framework demonstrates that the regression formulation enables fine-grained, continuous estimations and avoids quantization artifacts by resulting in more precise measurements without rounding. Experimental results confirm that FGump outperforms State-of-the-Art (SOTA) AI-based and classical methods, achieving higher accuracy and significantly lower training and inference times, as demonstrated in our results.
- Abstract(参考訳): 正確な森林高度推定は気候変動モニタリングと炭素循環評価に不可欠である。
合成開口レーダ(SAR, Synthetic Aperture Radar, SAR)は、特にマルチチャネル構成において、モデルベース技術による3次元森林構造の再構築を長く支援してきた。
最近では、機械学習(ML)とディープラーニング(DL)を用いたデータ駆動型アプローチにより、森林パラメータ検索の新しい機会が生まれている。
本稿では,LDARプロファイルを用いた多チャンネルSAR処理をGTとして用いた森林高度推定フレームワークFGumpを紹介する。
大規模なデータセットと複雑なアーキテクチャを必要とする典型的なMLやDLアプローチとは異なり、FGumpは、手作業で設計された機能の限られたセットを使用して、重い前処理(例えば、キャリブレーションや量子化)を避けることにより、精度と計算効率の強いバランスを保証する。
分類パラダイムと回帰パラダイムの両方で評価され, 回帰定式化によって細粒度で連続的な推定が可能であり, 丸めのないより正確な測定を行うことにより, 量子化アーティファクトの回避が図られている。
実験の結果,FGumpはAIベースおよび古典的手法より優れ,精度が向上し,トレーニング時間や推論時間が大幅に短縮された。
関連論文リスト
- A Unified Graph-based Framework for Scalable 3D Tree Reconstruction and Non-Destructive Biomass Estimation from Point Clouds [8.821870725779071]
森林バイオマス (AGB) の推定は, 炭素貯蔵量の評価と持続可能な森林管理支援に不可欠である。
定量的構造モデル(QSM)は3次元木構造再構成によるAGB推定に対する非破壊的アプローチを提供する。
本研究では,大規模クラウドのエンドツーエンド処理を可能にする新しい統合フレームワークを提案する。
論文 参考訳(メタデータ) (2025-06-18T15:55:47Z) - TreeLoRA: Efficient Continual Learning via Layer-Wise LoRAs Guided by a Hierarchical Gradient-Similarity Tree [52.44403214958304]
本稿では階層的な勾配の類似性を利用して階層型アダプタを構築する新しい手法であるTreeLoRAを紹介する。
タスク類似度推定の計算負担を軽減するために,より低い信頼度境界に基づくアルゴリズムを開発するために,バンド手法を用いる。
視覚変換器 (ViTs) と大規模言語モデル (LLMs) の両方を用いた実験により, 提案手法の有効性と有効性を示す。
論文 参考訳(メタデータ) (2025-06-12T05:25:35Z) - Quantile Regression with Large Language Models for Price Prediction [15.277244542405345]
大規模言語モデル(LLM)は、回帰を含む構造化予測タスクにおいて有望であることを示している。
我々は,LLMが完全な予測分布を生成できる新しい量子レグレッション手法を提案する。
量子ヘッドを微調整したMistral-7Bモデルは、点推定と分布推定の両方において従来の手法よりも大幅に優れている。
論文 参考訳(メタデータ) (2025-06-07T04:19:28Z) - RoSTE: An Efficient Quantization-Aware Supervised Fine-Tuning Approach for Large Language Models [53.571195477043496]
本稿では,RoSTE (Rotated Straight-Through-Estimator) というアルゴリズムを提案する。
RoSTEは、量子化を意識した微調整(QA-SFT)と適応的な回転戦略を組み合わせることで、アクティベーションアウトリーを減少させる。
その結果, 予測誤差は収束重みの量子化誤差と直接比例し, 最適化された回転構成により効果的に管理できることが判明した。
論文 参考訳(メタデータ) (2025-02-13T06:44:33Z) - Scalable Bayesian Tensor Ring Factorization for Multiway Data Analysis [24.04852523970509]
非パラメトリック乗算ガンマプロセス(MGP)を前もって組み込んだ新しいBTRモデルを提案する。
離散データを扱うために、クローズドフォーム更新のためのP'olya-Gamma拡張を導入する。
そこで我々は,従来のVIアルゴリズムの計算複雑性を2桁に減らした,一貫した後続シミュレーションのための効率的なギブスサンプリング器を開発した。
論文 参考訳(メタデータ) (2024-12-04T13:55:14Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - Forest Parameter Prediction by Multiobjective Deep Learning of
Regression Models Trained with Pseudo-Target Imputation [6.853936752111048]
リモートセンシングデータを用いた森林パラメータの予測において、回帰モデルは、伝統的に地上基準データの小さなサンプルに基づいて訓練されてきた。
本稿では, 擬似ターゲットとみなす既存の RS ベースの予測マップからのデータを用いて, この真の予測対象のサンプルをインプットする。
我々は、空中レーザー走査(ALS)データから構築された予測マップを用いて、正確な擬似ターゲットと、Sentinel-1のCバンド合成開口レーダ(SAR)のデータを回帰器として提供する。
論文 参考訳(メタデータ) (2023-06-19T18:10:47Z) - To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。
本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。
第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
論文 参考訳(メタデータ) (2023-05-22T17:02:15Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - An autoencoder wavelet based deep neural network with attention
mechanism for multistep prediction of plant growth [4.077787659104315]
本稿では,植物茎径変動予測(sdv)に着目した農業における植物成長予測手法を提案する。
ウェーブレット分解を元のデータに適用し、モデルフィッティングを容易にし、ノイズを低減する。
エンコーダ・デコーダフレームワークはLong Short Term Memory (LSTM)を用いて開発され、データから適切な特徴抽出に使用される。
時系列データの長期依存性をモデル化するために,LSTMと注意メカニズムを含む繰り返しニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2020-12-07T20:30:39Z)
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。