論文の概要: UKANFormer: Noise-Robust Semantic Segmentation for Coral Reef Mapping via a Kolmogorov-Arnold Network-Transformer Hybrid

• arxiv url: http://arxiv.org/abs/2510.16730v2
• Date: Mon, 27 Oct 2025 06:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 13:14:10.572191
• Title: UKANFormer: Noise-Robust Semantic Segmentation for Coral Reef Mapping via a Kolmogorov-Arnold Network-Transformer Hybrid
• Title（参考訳）: UKANFormer:Kolmogorov-Arnold Network-Transformer Hybridによるサンゴ礁マッピングのためのノイズ・ロバストセマンティックセマンティックセマンティックセグメンテーション
• Authors: Tianyang Dou, Ming Li, Jiangying Qin, Xuan Liao, Jiageng Zhong, Armin Gruen, Mengyi Deng,
• Abstract要約: 本稿では,ノイズ管理下での高精度マッピングを実現するためのセマンティックセグメンテーションモデルを提案する。 UKANFormerはデコーダにGlobal-Local Transformer(GL-Trans)ブロックを組み込んでおり、グローバルなセマンティック構造とローカル境界の詳細の両方を抽出することができる。 実験では、UKANFormerは67.00%のサンゴ級IoUと83.98%のピクセル精度を達成し、同じノイズラベル設定で従来のベースラインを上回った。
• 参考スコア（独自算出の注目度）: 4.147037463809748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coral reefs are vital yet fragile ecosystems that require accurate large-scale mapping for effective conservation. Although global products such as the Allen Coral Atlas provide unprecedented coverage of global coral reef distri-bution, their predictions are frequently limited in spatial precision and semantic consistency, especially in regions requiring fine-grained boundary delineation. To address these challenges, we propose UKANFormer, a novel se-mantic segmentation model designed to achieve high-precision mapping under noisy supervision derived from Allen Coral Atlas. Building upon the UKAN architecture, UKANFormer incorporates a Global-Local Transformer (GL-Trans) block in the decoder, enabling the extraction of both global semantic structures and local boundary details. In experiments, UKANFormer achieved a coral-class IoU of 67.00% and pixel accuracy of 83.98%, outperforming conventional baselines under the same noisy labels setting. Remarkably, the model produces predictions that are visually and structurally more accurate than the noisy labels used for training. These results challenge the notion that data quality directly limits model performance, showing that architectural design can mitigate label noise and sup-port scalable mapping under imperfect supervision. UKANFormer provides a foundation for ecological monitoring where reliable labels are scarce.
• Abstract（参考訳）: サンゴ礁は、効果的に保護するために正確な大規模なマッピングを必要とするが脆弱な生態系である。 アレン・コーラル・アトラス (Allen Coral Atlas) のような地球規模の製品は、地球規模のサンゴ礁の分布を前例のない範囲でカバーしているが、その予測は空間的精度と意味的一貫性にしばしば制限される。 これらの課題に対処するために,アレン・コーラル・アトラスをモデルとした高精度の高精度マッピングを実現するための,新しいセマンティックセグメンテーションモデルであるUKANFormerを提案する。 UKANアーキテクチャに基づいて、UKANFormerはデコーダにGlobal-Local Transformer(GL-Trans)ブロックを組み込み、グローバルセマンティック構造とローカル境界の詳細の両方を抽出できる。 実験では、UKANFormerは67.00%のサンゴ級IoUと83.98%のピクセル精度を達成し、同じノイズラベル設定で従来のベースラインを上回った。 注目すべきは、このモデルが、トレーニングに使用するノイズラベルよりも視覚的かつ構造的に正確である予測を生成することだ。 これらの結果は、データ品質がモデル性能を直接制限するという考えに挑戦し、アーキテクチャ設計が不完全な監督の下でラベルノイズとsup-portスケーラブルマッピングを緩和できることを示した。 UKANFormerは、信頼できるラベルが不足している環境モニタリングの基盤を提供する。

関連論文リスト

• ReefNet: A Large scale, Taxonomically Enriched Dataset and Benchmark for Hard Coral Classification [32.33672517443114]
  我々は,世界海洋生物登録簿 (WoRMS) にマッピングされたポイントラベルアノテーションを備えたサンゴ礁画像データセットであるReefNetを紹介した。 ReefNetは、76のキュレートされたCoralNetソースと、Red SeaのAl Wajhから追加のサイトからの画像を集約する。 ReefNetにおける教師付き分類性能とゼロショット分類性能の両方を分析し、教師付きイントラソース性能が有望である一方で、教師付き性能はドメイン間で急激に低下することを示した。
  論文  参考訳（メタデータ） (2025-10-19T13:18:44Z)
• Needles in the Landscape: Semi-Supervised Pseudolabeling for Archaeological Site Discovery under Label Scarcity [0.3957768262206626]
  考古学的予測モデルでは、既知の場所を環境、文化、地理空間変数と組み合わせることで、未発見の場所が発生する可能性がある。 深層学習アプローチを用いてこの問題に対処するが、考古学に固有の構造的ラベルの不足と競合しなければならない。 以上の結果から,半教師あり学習は,未発見の場所を,広範に注釈付きで特定する上で,有望なアプローチであることが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-19T12:54:38Z)
• Ecologically Valid Benchmarking and Adaptive Attention: Scalable Marine Bioacoustic Monitoring [2.558238597112103]
  GetNetUPAMは、現実的な可変性の下で安定性をモデル化するためのネストされたクロスバリデーションフレームワークである。 データは異なるサイト年区分に分割され、記録を保存し、各バリデーションフォールドがユニークな環境サブセットを反映することを保証する。 ARPA-Nは、DenseNetベースラインに対する平均精度が14.4%向上し、すべてのメトリクスで対数2スケールのオーダー・オブ・マグニチュードが減少する。
  論文  参考訳（メタデータ） (2025-09-04T22:03:05Z)
• 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)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• The Coralscapes Dataset: Semantic Scene Understanding in Coral Reefs [4.096374910845255]
  本研究はサンゴ礁において,2075のイメージ,39のベントニッククラス,174kのセグメンテーションマスクを含む汎用的なセグメンテーションデータセットを初めて公開する。 我々は、幅広いセマンティックセグメンテーションモデルをベンチマークし、Coralscapesから既存の小さなデータセットへの変換学習が一貫して最先端のパフォーマンスをもたらすことを発見した。 Coralscapesは、コンピュータビジョンに基づく効率よくスケーラブルで標準化されたサンゴ礁の調査方法の研究を触媒し、水中の生態学ロボットの開発を効率化する可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-25T18:33:59Z)
• Global High Categorical Resolution Land Cover Mapping via Weak Supervision [19.52604717907002]
  我々は、弱教師付きドメイン適応(WSDA)のために、完全ラベル付きソースドメインと弱ラベル付きターゲットドメインを組み合わせることを提案する。 粗いラベルと粗いラベルを使用することで、精密かつ詳細な土地被覆アノテーションに必要な労力を大幅に軽減できるため、これは有益である。 我々は,PlanetScope,Gaofen-1,Sentinel-2の衛星画像を用いて,世界中の10都市を対象とした高分類分解能土地被覆マッピングを行った。
  論文  参考訳（メタデータ） (2024-06-02T23:18:12Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
  半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。 本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
  論文  参考訳（メタデータ） (2022-06-13T02:16:26Z)

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。