論文の概要: Bayesian Modelling of Multi-Year Crop Type Classification Using Deep Neural Networks and Hidden Markov Models

• arxiv url: http://arxiv.org/abs/2510.07008v1
• Date: Wed, 08 Oct 2025 13:33:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.516239
• Title: Bayesian Modelling of Multi-Year Crop Type Classification Using Deep Neural Networks and Hidden Markov Models
• Title（参考訳）: ディープニューラルネットワークと隠れマルコフモデルを用いた多年作物型分類のベイズモデル
• Authors: Gianmarco Perantoni, Giulio Weikmann, Lorenzo Bruzzone,
• Abstract要約: 年次土地被覆地図の時間的一貫性は、長年にわたる土地被覆の進化と変化をモデル化する上で非常に重要である。 本稿では,深層学習とベイズモデルを組み合わせた年次衛星画像時系列(SITS)の分類に焦点をあてる。 提案手法は,SITS と SITS と SITS の複雑な時間的相関関係を多年作物型配列で捉えることを目的としている。
• 参考スコア（独自算出の注目度）: 12.282079123411947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The temporal consistency of yearly land-cover maps is of great importance to model the evolution and change of the land cover over the years. In this paper, we focus the attention on a novel approach to classification of yearly satellite image time series (SITS) that combines deep learning with Bayesian modelling, using Hidden Markov Models (HMMs) integrated with Transformer Encoder (TE) based DNNs. The proposed approach aims to capture both i) intricate temporal correlations in yearly SITS and ii) specific patterns in multiyear crop type sequences. It leverages the cascade classification of an HMM layer built on top of the TE, discerning consistent yearly crop-type sequences. Validation on a multiyear crop type classification dataset spanning 47 crop types and six years of Sentinel-2 acquisitions demonstrates the importance of modelling temporal consistency in the predicted labels. HMMs enhance the overall performance and F1 scores, emphasising the effectiveness of the proposed approach.
• Abstract（参考訳）: 年次土地被覆地図の時間的一貫性は、長年にわたる土地被覆の進化と変化をモデル化する上で非常に重要である。 本稿では,Transformer Encoder(TE)ベースのDNNと統合した隠れマルコフモデル(HMM)を用いて,ディープラーニングとベイズモデルを組み合わせた年次衛星画像時系列(SITS)の分類に注目する。 提案するアプローチは両方を捉えることを目的としている 一 年次SITSにおける複雑な時間的相関 ii)多年作物型配列の特異なパターン。 TE上に構築されたHMM層のカスケード分類を利用して、一貫した年次作物型配列を識別する。 47種類の作物と6年間のセンチネル2の収量にまたがる多年作物型分類データセットの検証は、予測ラベルにおける時間的一貫性のモデル化の重要性を証明している。 HMMは全体的な性能とF1スコアを高め,提案手法の有効性を強調した。

関連論文リスト

• Adaptive Fine-Tuning via Pattern Specialization for Deep Time Series Forecasting [0.8901073744693314]
  時系列予測は、非定常環境において重要な課題である。 本稿では,モデル適応と選択を特化して,ディープニューラルネットワーク(DNN)の性能を向上させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-11T12:40:08Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation [61.320991769685065]
  STAR-Recは、好みを認識した注意と状態空間モデリングを組み合わせた新しいアーキテクチャである。 STAR-Recは、最先端のシーケンシャルレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-06T12:40:38Z)
• A Deep Learning Framework for Sequence Mining with Bidirectional LSTM and Multi-Scale Attention [11.999319439383918]
  本稿では、複雑なシーケンスデータにおける潜在パターンのマイニングとコンテキスト依存のモデル化の課題に対処する。 Bidirectional Long Short-Term Memory (BiLSTM) とマルチスケールアテンション機構を組み合わせたシーケンスパターンマイニングアルゴリズムを提案する。 BiLSTMはシーケンスの前方および後方の依存関係をキャプチャし、グローバルなコンテキスト構造を知覚するモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-04-21T16:53:02Z)
• Heterogeneous Relationships of Subjects and Shapelets for Semi-supervised Multivariate Series Classification [4.4881185098082]
  半教師付きMSS分類のための被験者の異種関係とシェープレット法を提案する。 まず、コントラスト時間自己アテンションモジュールを用いて、スパースMSS表現を得る。 第2に, 被験者の特徴と形状の両方を付加情報として取り入れ, 異なる被験者の形状を学習する。 最後に,2レベルグラフアテンションネットワークを用いて予測を行う。
  論文  参考訳（メタデータ） (2024-11-27T04:25:13Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Margin Optimal Classification Trees [0.0]
  最適分類木(OCT)問題に対する新しい混合整数定式化法を提案する。 我々のモデルは、Margin Optimal Classification Tree (MARGOT)と呼ばれ、バイナリ分類のためのSupport Vector Machinesの一般化機能を利用する。 提案手法の解釈可能性を高めるため,超平面の局所的疎結合を誘導する特徴選択制約を含む2種類のMARGOTを解析した。
  論文  参考訳（メタデータ） (2022-10-19T14:08:56Z)
• Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
  雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。 我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
  論文  参考訳（メタデータ） (2021-06-20T02:15:20Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)

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。