論文の概要: Self-supervised Learning for Hyperspectral Images of Trees

• arxiv url: http://arxiv.org/abs/2509.05630v1
• Date: Sat, 06 Sep 2025 07:25:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.620643
• Title: Self-supervised Learning for Hyperspectral Images of Trees
• Title（参考訳）: 樹木のハイパースペクトル画像に対する自己教師付き学習
• Authors: Moqsadur Rahman, Saurav Kumar, Santosh S. Palmate, M. Shahriar Hossain,
• Abstract要約: 本稿では,農作物の空中ハイパースペクトル画像から樹木の植生特性を反映するニューラルネットワークを,自己指導型学習で構築することに焦点を当てた。 植生特性関連埋め込み空間を用いて構築された樹木表現は、樹木表現としてハイパースペクトル植生特性を直接使用した場合と比較して、下流機械学習タスクにおいて優れた性能を発揮することを示す実験結果が得られた。
• 参考スコア（独自算出の注目度）: 2.2399170518036913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aerial remote sensing using multispectral and RGB imagers has provided a critical impetus to precision agriculture. Analysis of the hyperspectral images with limited or no labels is challenging. This paper focuses on self-supervised learning to create neural network embeddings reflecting vegetation properties of trees from aerial hyperspectral images of crop fields. Experimental results demonstrate that a constructed tree representation, using a vegetation property-related embedding space, performs better in downstream machine learning tasks compared to the direct use of hyperspectral vegetation properties as tree representations.
• Abstract（参考訳）: マルチスペクトル画像とRGB画像を用いた空中リモートセンシングは,精密農業にとって重要な課題となっている。 ラベルが限られている、あるいはないハイパースペクトル画像の解析は困難である。 本稿では,農作物の空中ハイパースペクトル画像から樹木の植生特性を反映するニューラルネットワークを,自己指導型学習で構築することに焦点を当てた。 植生特性関連埋め込み空間を用いて構築された樹木表現は、樹木表現としてハイパースペクトル植生特性を直接使用した場合と比較して、下流機械学習タスクにおいて優れた性能を発揮することを示す実験結果が得られた。

関連論文リスト

• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• DeepForest: Sensing Into Self-Occluding Volumes of Vegetation With Aerial Imaging [5.849820033135295]
  リモートセンシングの長期的限界は、深い天蓋層に深く浸透する。 現在、LiDARとレーダーは3D植生構造を測定するための主要な選択肢と考えられている。 我々のアプローチは、森林のような自己排他的な植生の量を感知することを可能にする。
  論文  参考訳（メタデータ） (2025-02-04T09:45:49Z)
• BranchPoseNet: Characterizing tree branching with a deep learning-based pose estimation approach [0.0]
  本稿では、ポーズ推定深層学習モデルを用いて、近位レーザー走査データ中の木の輪郭を自動的に検出するパイプラインを提案する。 正確な輪郭検出は、木の成長パターン、木質に関する貴重な洞察を与え、林業価値連鎖全体にわたって木を追跡するバイオメトリックマーカーとして使われる可能性がある。
  論文  参考訳（メタデータ） (2024-09-23T07:10:11Z)
• Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery [1.4589991363650008]
  この研究は、初めて、個々の木(ノルウェー・スプルース)を5つの崩壊段階に自動的に分類した。 3つの異なる機械学習手法 - 3Dポイントクラウドベースのディープラーニング(KPConv)、畳み込みニューラルネットワーク(CNN)、ランダムフォレスト(RF)。 KPConv、CNN、RFの合計精度は88.8%、88.4%、85.9%に達した。
  論文  参考訳（メタデータ） (2023-01-04T22:20:16Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Generative Hierarchical Features from Synthesizing Images [65.66756821069124]
  画像合成の学習は、広範囲のアプリケーションにまたがって一般化可能な顕著な階層的な視覚的特徴をもたらす可能性があることを示す。 生成的階層的特徴(Generative Hierarchical Feature, GH-Feat)と呼ばれるエンコーダが生成する視覚的特徴は、生成的タスクと識別的タスクの両方に強い伝達性を有する。
  論文  参考訳（メタデータ） (2020-07-20T18:04:14Z)
• Single Image Deraining via Scale-space Invariant Attention Neural Network [58.5284246878277]
  我々は,カメラに対するレインステーキの外観の視覚的変化に対処するスケールの概念に取り組む。 本稿では,画素領域よりもコンパクトでロバストな畳み込み特徴領域のマルチスケール相関を表現することを提案する。 このようにして、機能マップの最も活発な存在を、有能な特徴として要約する。
  論文  参考訳（メタデータ） (2020-06-09T04:59:26Z)

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。