論文の概要: SoilNet: A Multimodal Multitask Model for Hierarchical Classification of Soil Horizons
- arxiv url: http://arxiv.org/abs/2508.03785v1
- Date: Tue, 05 Aug 2025 15:29:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.397562
- Title: SoilNet: A Multimodal Multitask Model for Hierarchical Classification of Soil Horizons
- Title（参考訳）: SoilNet:土壌ホライズン階層分類のためのマルチモーダルマルチタスクモデル
- Authors: Teodor Chiaburu, Vipin Singh, Frank Haußer, Felix Bießmann,
- Abstract要約: 土壌の正確な分類は土壌の健康のモニタリングに不可欠である。
提案手法では, 地層分布を地平線候補に分割し, 画像データと時空間第一深度を推定する。
我々の手法は複雑な階層分類に対処するために設計されており、可能なラベルの数は、非常に大きく、不均衡であり、非自明に構造化されている。
- 参考スコア（独自算出の注目度）: 0.9937132009954994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While recent advances in foundation models have improved the state of the art in many domains, some problems in empirical sciences could not benefit from this progress yet. Soil horizon classification, for instance, remains challenging because of its multimodal and multitask characteristics and a complex hierarchically structured label taxonomy. Accurate classification of soil horizons is crucial for monitoring soil health, which directly impacts agricultural productivity, food security, ecosystem stability and climate resilience. In this work, we propose $\textit{SoilNet}$ - a multimodal multitask model to tackle this problem through a structured modularized pipeline. Our approach integrates image data and geotemporal metadata to first predict depth markers, segmenting the soil profile into horizon candidates. Each segment is characterized by a set of horizon-specific morphological features. Finally, horizon labels are predicted based on the multimodal concatenated feature vector, leveraging a graph-based label representation to account for the complex hierarchical relationships among soil horizons. Our method is designed to address complex hierarchical classification, where the number of possible labels is very large, imbalanced and non-trivially structured. We demonstrate the effectiveness of our approach on a real-world soil profile dataset. All code and experiments can be found in our repository: https://github.com/calgo-lab/BGR/
- Abstract（参考訳）: 基礎モデルの最近の進歩は、多くの領域で最先端の改善が進んでいるが、経験科学のいくつかの問題は、まだこの進歩の恩恵を受けられなかった。
例えば土壌地平線分類は、マルチモーダルとマルチタスクの特徴と複雑な階層構造を持つラベル分類のため、依然として困難なままである。
土壌の正確な分類は土壌の健康のモニタリングに不可欠であり、農業の生産性、食料の安全性、生態系の安定性、気候の回復性に直接影響を与える。
本研究では,この問題を解決するためのマルチモーダルマルチタスクモデルである$\textit{SoilNet}$を提案する。
提案手法は画像データと時空間メタデータを統合し,まず深度マーカーを推定し,地平線候補に区分する。
各セグメントは、水平線固有の形態的特徴の集合によって特徴づけられる。
最後に,マルチモーダル連結特徴ベクトルに基づいて地平線ラベルを予測し,地平線間の複雑な階層的関係を考慮に入れたグラフベースのラベル表現を利用する。
我々の手法は複雑な階層分類に対処するために設計されており、可能なラベルの数は、非常に大きく、不均衡であり、非自明に構造化されている。
実世界の土壌プロファイルデータセットにアプローチの有効性を示す。
すべてのコードと実験は、私たちのリポジトリで確認できます。
関連論文リスト
- Hierarchical Multi-Label Generation with Probabilistic Level-Constraint [3.1427813443719868]
階層的極端多ラベル分類は、従来の多ラベル分類よりも困難である。
我々は,確率的レベル制約(PLC)を用いた生成フレームワークを用いて,特定の分類体系内で階層的なラベルを生成する。
提案手法は,HMGタスクにおいて新たなSOTA性能を実現するが,従来の研究結果よりもモデル出力の制約に優れた性能が得られる。
論文 参考訳（メタデータ） (2025-04-30T07:56:53Z) - Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。
Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。
Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
論文 参考訳（メタデータ） (2025-03-10T20:59:41Z) - Multi-label Node Classification On Graph-Structured Data [7.892731722253387]
グラフニューラルネットワーク(GNN)では、グラフ上のノード分類タスクの最先端の改善が示されている。
それぞれのノードが複数のラベルを持つことができる、より一般的で現実的なシナリオは、これまでほとんど注目されなかった。
実世界の3つの生物データセットを収集・リリースし、マルチラベルグラフ生成器を開発する。
論文 参考訳（メタデータ） (2023-04-20T15:34:20Z) - Weakly-supervised Action Localization via Hierarchical Mining [76.00021423700497]
弱教師付きアクションローカライゼーションは、ビデオレベルの分類ラベルだけで、与えられたビデオ内のアクションインスタンスを時間的にローカライズし、分類することを目的としている。
ビデオレベルおよびスニペットレベルでの階層的マイニング戦略,すなわち階層的監視と階層的一貫性マイニングを提案する。
我々は、HiM-NetがTHUMOS14とActivityNet1.3データセットの既存の手法よりも、階層的に監督と一貫性をマイニングすることで、大きなマージンを持つことを示す。
論文 参考訳（メタデータ） (2022-06-22T12:19:09Z) - Scalable Multi-view Clustering with Graph Filtering [18.83570662893356]
属性データとグラフデータの両方を異質な特徴でクラスタリングする汎用フレームワークを提案する。
具体的には、まず、高周波ノイズを除去するグラフフィルタリング手法を採用する。
スケーラビリティの課題に対処するため、我々はアンカーの品質を向上させるための新しいサンプリング戦略を開発した。
論文 参考訳（メタデータ） (2022-05-18T22:04:23Z) - Use All The Labels: A Hierarchical Multi-Label Contrastive Learning
Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。
比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文 参考訳（メタデータ） (2022-04-27T21:41:44Z) - Deep Hierarchical Semantic Segmentation [76.40565872257709]
階層的セマンティックセマンティックセグメンテーション(HSS)は、クラス階層の観点で視覚的観察を構造化、ピクセル単位で記述することを目的としている。
HSSNは、HSSを画素単位のマルチラベル分類タスクとしてキャストし、現在のセグメンテーションモデルに最小限のアーキテクチャ変更をもたらすだけである。
階層構造によって引き起こされるマージンの制約により、HSSNはピクセル埋め込み空間を再評価し、よく構造化されたピクセル表現を生成する。
論文 参考訳（メタデータ） (2022-03-27T15:47:44Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - HUMAP: Hierarchical Uniform Manifold Approximation and Projection [42.50219822975012]
HUMAPは、局所的・大域的構造の保存に柔軟であるように設計された、新しい階層的次元削減技術である。
提案手法の優位性を示す実証的証拠を現在の階層的アプローチと比較し,データセットラベリングにHUMAPを適用したケーススタディを示す。
論文 参考訳（メタデータ） (2021-06-14T19:27:54Z) - Crop mapping from image time series: deep learning with multi-scale
label hierarchies [22.58506027920305]
専門家の知識を活用し,希少作物の分布を著しく改善する作物分類法を開発した。
3レベルラベル階層は畳み込みリカレントニューラルネットワーク(convRNN)に符号化される
我々は,提案手法を新たに公開する大規模データセット上で検証する。
論文 参考訳（メタデータ） (2021-02-17T15:27:49Z) - Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。
実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文 参考訳（メタデータ） (2020-09-12T17:36:53Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z)
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。