論文の概要: Needles in the Landscape: Semi-Supervised Pseudolabeling for Archaeological Site Discovery under Label Scarcity

• arxiv url: http://arxiv.org/abs/2510.16814v1
• Date: Sun, 19 Oct 2025 12:54:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.161967
• Title: Needles in the Landscape: Semi-Supervised Pseudolabeling for Archaeological Site Discovery under Label Scarcity
• Title（参考訳）: 景観の針:ラベルスカルシティの下での考古学的遺跡発見のための半監督された擬似プラベリング
• Authors: Simon Jaxy, Anton Theys, Patrick Willett, W. Chris Carleton, Ralf Vandam, Pieter Libin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3957768262206626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Archaeological predictive modelling estimates where undiscovered sites are likely to occur by combining known locations with environmental, cultural, and geospatial variables. We address this challenge using a deep learning approach but must contend with structural label scarcity inherent to archaeology: positives are rare, and most locations are unlabeled. To address this, we adopt a semi-supervised, positive-unlabeled (PU) learning strategy, implemented as a semantic segmentation model and evaluated on two datasets covering a representative range of archaeological periods. Our approach employs dynamic pseudolabeling, refined with a Conditional Random Field (CRF) implemented via an RNN, increasing label confidence under severe class imbalance. On a geospatial dataset derived from a digital elevation model (DEM), our model performs on par with the state-of-the-art, LAMAP, while achieving higher Dice scores. On raw satellite imagery, assessed end-to-end with stratified k-fold cross-validation, it maintains performance and yields predictive surfaces with improved interpretability. Overall, our results indicate that semi-supervised learning offers a promising approach to identifying undiscovered sites across large, sparsely annotated landscapes.
• Abstract（参考訳）: 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。 そこで我々は, セマンティックセグメンテーションモデルとして実装され, 代表的な考古学的期間をカバーする2つのデータセットで評価された半教師付き, 正の未ラベル(PU)学習戦略を採用した。 提案手法では,RNNを介して実装された条件付きランダムフィールド(CRF)を用いて動的擬似ラベルを改良し,厳密なクラス不均衡の下でラベルの信頼性を高める。 デジタル標高モデル(DEM)から導いた地理空間的データセットでは,高Diceスコアを達成しつつ,最先端のLAMAPと同等の性能を示す。 生の衛星画像では、層状k-foldクロスバリデーションでエンドツーエンドの評価を行い、性能を維持し、解釈性を改善した予測面を出力する。 以上の結果から,半教師付き学習は,未発見の場所を,広範に注釈付きで識別する上で,有望なアプローチであることが示された。

関連論文リスト

• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Performance and Generalizability Impacts of Incorporating Geolocation into Deep Learning for Dynamic PM2.5 Estimation [1.278093617645299]
  我々は、最近発表されたディープラーニングに基づくPM2.5推定モデルに基づいて、アメリカ大陸で観測されたデータに対する最先端のパフォーマンスを実現する。 位置情報をベースラインとして除外する3つの手法について検討し, 生の地理座標を用いて, 事前学習した位置情報エンコーダを活用する。
  論文  参考訳（メタデータ） (2025-05-24T02:00:34Z)
• A Sensor Agnostic Domain Generalization Framework for Leveraging Geospatial Foundation Models: Enhancing Semantic Segmentation viaSynergistic Pseudo-Labeling and Generative Learning [5.299218284699214]
  高性能セグメンテーションモデルは、センサ、照明、地理のアノテーション不足と可変性によって挑戦されている。 本稿では,ソフトアライメント擬似ラベルとソース・ツー・ターゲット生成事前学習を組み合わせることで,新しい地理空間基盤モデルを活用するための領域一般化手法を提案する。 ハイパースペクトルおよびマルチスペクトルリモートセンシングデータセットを用いた実験により、適応性とセグメンテーションを向上させる方法の有効性が確認された。
  論文  参考訳（メタデータ） (2025-05-02T19:52:02Z)
• A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
  この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。 その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
  論文  参考訳（メタデータ） (2025-03-10T12:15:35Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Edge Classification on Graphs: New Directions in Topological Imbalance [53.42066415249078]
  異なるクラスにまたがるエッジの歪んだ分布から生じる新しいトポロジカル不均衡問題」を同定する。 本稿では,各エッジのトポロジ的不均衡を測定する新しいトポロジ的指標であるトポロジカルエントロピー(TE)を紹介する。 TEをベースとした(合成)エッジのトレーニングに重点を置くため、トポロジカルリウェイトリングとTEウェッジベースのMixupという2つの戦略を開発した。
  論文  参考訳（メタデータ） (2024-06-17T16:02:36Z)
• PixelDINO: Semi-Supervised Semantic Segmentation for Detecting Permafrost Disturbances [15.78884578132055]
  融解によって引き起こされる地すべりに匹敵する永久凍土障害であるRTS(regressive thaw slumps)の遠隔検出に焦点を当てた。 本稿では,RTS検出のためのセマンティックセグメンテーションモデルを訓練するための半教師付き学習手法を提案する。 当社のフレームワークであるPixelDINOは,ラベル付きデータと非ラベル付きデータとを並行してトレーニングしています。
  論文  参考訳（メタデータ） (2024-01-17T15:20:10Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)

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。