論文の概要: Benchmarking foundation models for hyperspectral image classification: Application to cereal crop type mapping

• arxiv url: http://arxiv.org/abs/2510.11576v2
• Date: Tue, 14 Oct 2025 09:49:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 12:06:24.267648
• Title: Benchmarking foundation models for hyperspectral image classification: Application to cereal crop type mapping
• Title（参考訳）: ハイパースペクトル画像分類のためのベンチマーク基礎モデル:穀物型マッピングへの応用
• Authors: Walid Elbarz, Mohamed Bourriz, Hicham Hajji, Hamd Ait Abdelali, François Bourzeix,
• Abstract要約: 本研究は、ハイパースペクトル画像を用いた穀物作物マッピングの基礎モデル3つをベンチマークする。 成績は総合的精度(OA)、平均精度(AA)、F1スコアで測定した。
• 参考スコア（独自算出の注目度）: 0.9407085421584646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models are transforming Earth observation, but their potential for hyperspectral crop mapping remains underexplored. This study benchmarks three foundation models for cereal crop mapping using hyperspectral imagery: HyperSigma, DOFA, and Vision Transformers pre-trained on the SpectralEarth dataset (a large multitemporal hyperspectral archive). Models were fine-tuned on manually labeled data from a training region and evaluated on an independent test region. Performance was measured with overall accuracy (OA), average accuracy (AA), and F1-score. HyperSigma achieved an OA of 34.5% (+/- 1.8%), DOFA reached 62.6% (+/- 3.5%), and the SpectralEarth model achieved an OA of 93.5% (+/- 0.8%). A compact SpectralEarth variant trained from scratch achieved 91%, highlighting the importance of model architecture for strong generalization across geographic regions and sensor platforms. These results provide a systematic evaluation of foundation models for operational hyperspectral crop mapping and outline directions for future model development.
• Abstract（参考訳）: 基礎モデルでは地球観測が変化しているが、ハイパースペクトルの作物マッピングの可能性はまだ未解明である。 本研究では,ハイパースペクトル画像を用いた穀物マッピングの基礎モデルであるHyperSigma,DOFA,Vision TransformerをSpectralEarthデータセット(大規模なマルチテンポラルハイパースペクトルアーカイブ)で事前訓練した。 モデルは、トレーニング領域から手動でラベル付けされたデータに基づいて微調整され、独立したテスト領域で評価された。 成績は総合的精度(OA)、平均精度(AA)、F1スコアで測定した。 HyperSigmaは34.5%(+/-1.8%)、DOFAは62.6%(+/-3.5%)、SpectralEarthモデルは93.5%(+/-0.8%)のOAを達成した。 コンパクトなSpectralEarthはスクラッチから訓練され、91%を達成し、地理的領域とセンサープラットフォームをまたいだ強力な一般化のためのモデルアーキテクチャの重要性を強調した。 これらの結果は,オペレーショナルハイパースペクトルの作物マッピングの基礎モデルの体系的評価と,将来のモデル開発に向けたアウトラインの方向性を提供する。

関連論文リスト

• Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye [0.0]
  カリフォルニアベアリング比(カリフォルニアベアリング比、California Bearing Ratio、CBR)は、低等級土壌の載荷能力を評価するための重要な測地指標である。 伝統的なテストは、しばしば時間がかかり、コストがかかり、特に大規模または多様な土壌プロファイルにとって、実用的ではない。 人工知能、特に機械学習(ML)の最近の進歩は、より高速で精度の高い複雑な土壌の挙動をモデル化するためのデータ駆動アプローチを可能にした。 本研究では,トリキエの様々な気候地域から採取された382の土壌サンプルのデータセットを用いて,CBR予測のための総合的なMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T08:09:55Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• GAIA: A Foundation Model for Operational Atmospheric Dynamics [0.83442357861662]
  我々は,MAE(Masked Autoencoders)とラベルのない自己蒸留(DINO)を融合したハイブリッド自己教師型モデルGAIAを紹介する。 GAIAは、自明な日中パターンではなく、大気力学を捉える非絡み合った表現を学ぶ。 下流タスクに移行すると、GAIAは一貫してMAEのみのベースラインを上回っます。
  論文  参考訳（メタデータ） (2025-05-15T05:07:09Z)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• A Geospatial Approach to Predicting Desert Locust Breeding Grounds in Africa [3.6826233660285395]
  ロカスト群れは農業と食料安全保障に 大きな脅威を与えます 本研究は,ロカスト繁殖場予測のための操作可能なモデルを開発した。
  論文  参考訳（メタデータ） (2024-03-11T16:13:58Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
  6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。 このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
  論文  参考訳（メタデータ） (2023-06-06T16:16:05Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Improving Visual Grounding by Encouraging Consistent Gradient-based Explanations [58.442103936918805]
  注意マスク整合性は,従来の方法よりも優れた視覚的グラウンドリング結果が得られることを示す。 AMCは効率的で実装が容易であり、どんな視覚言語モデルでも採用できるため一般的である。
  論文  参考訳（メタデータ） (2022-06-30T17:55:12Z)

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。