論文の概要: Dimensionality Reduction for Remote Sensing Data Analysis: A Systematic Review of Methods and Applications
- arxiv url: http://arxiv.org/abs/2510.18935v1
- Date: Tue, 21 Oct 2025 17:45:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:14.334862
- Title: Dimensionality Reduction for Remote Sensing Data Analysis: A Systematic Review of Methods and Applications
- Title（参考訳）: リモートセンシングデータ解析のための次元化:方法と応用の体系的レビュー
- Authors: Nathan Mankovich, Kai-Hendrik Cohrs, Homer Durand, Vasileios Sitokonstantinou, Tristan Williams, Gustau Camps-Valls,
- Abstract要約: 次元性低減(DR)技術、特に特徴抽出はこれらの課題に対処する。
このレビューは、RSデータバリューチェーン全体にわたってDRを活用するハンドブックを提供する。
- 参考スコア（独自算出の注目度）: 9.738064378491119
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earth observation involves collecting, analyzing, and processing an ever-growing mass of data. Automatically harvesting information is crucial for addressing significant societal, economic, and environmental challenges, ranging from environmental monitoring to urban planning and disaster management. However, the high dimensionality of these data poses challenges in terms of sparsity, inefficiency, and the curse of dimensionality, which limits the effectiveness of machine learning models. Dimensionality reduction (DR) techniques, specifically feature extraction, address these challenges by preserving essential data properties while reducing complexity and enhancing tasks such as data compression, cleaning, fusion, visualization, anomaly detection, and prediction. This review provides a handbook for leveraging DR across the RS data value chain and identifies opportunities for under-explored DR algorithms and their application in future research.
- Abstract（参考訳）: 地球観測には、成長を続けるデータの収集、分析、処理が含まれる。
自動収穫は, 環境モニタリングから都市計画, 災害管理に至るまで, 社会, 経済, 環境問題に対処するために重要である。
しかし、これらのデータの高次元性は、空間性、非効率性、次元性の呪いという観点で問題を引き起こし、機械学習モデルの有効性を制限している。
次元性低減(DR)技術、特に特徴抽出は、複雑さを減らし、データ圧縮、クリーニング、融合、可視化、異常検出、予測といったタスクを強化することで、これらの課題に対処する。
このレビューは、RSデータバリューチェーン全体にわたってDRを活用するためのハンドブックを提供し、未探索のDRアルゴリズムとその将来の研究への応用の可能性を特定する。
関連論文リスト
- From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Hyperspectral Imaging [49.45523645429475]
ハイパースペクトルイメージング(Hyperspectral Imaging、HSI)は、空間情報とスペクトル情報を同時にキャプチャする高度なセンシングモダリティである。
このプライマーは、基礎となる物理原理とセンサーアーキテクチャから、データ取得、キャリブレーション、修正における重要なステップまで、HSIの概要を包括的に示す。
論文 参考訳（メタデータ） (2025-08-11T15:47:24Z) - The Landscape of Memorization in LLMs: Mechanisms, Measurement, and Mitigation [97.0658685969199]
大規模言語モデル(LLM)は、幅広いタスクにわたって顕著な能力を示してきたが、トレーニングデータの記憶も示している。
本稿では,最近の研究成果を整理し,記憶の景観,その影響要因,その検出・緩和方法について考察する。
論文 参考訳（メタデータ） (2025-07-08T01:30:46Z) - Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。
近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。
この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文 参考訳（メタデータ） (2025-06-11T03:29:18Z) - Small Object Detection: A Comprehensive Survey on Challenges, Techniques and Real-World Applications [0.15705429611931052]
小型物体検出(SOD)はコンピュータビジョンにおいて重要な課題である。
ディープラーニングの最近の進歩は革新的なソリューションを導入している。
軽量ニューラルネットワーク、知識蒸留(KD)、自己教師型学習といった新興トレンドは、検出効率を改善する上で有望な方向を提供する。
論文 参考訳（メタデータ） (2025-03-26T12:58:13Z) - Earth System Data Cubes: Avenues for advancing Earth system research [4.408949931570938]
地球系データキューブ(ESDC)は、このデータの洪水をシンプルで堅牢なフォーマットに変換するのに適したソリューションの1つとして登場した。
ESDCは、データをテンポラリグリッドを備えた分析可能なフォーマットに整理することで、これを実現している。
新たなクラウドベースの技術に照らして、データの潜在能力を最大限に実現するための障壁がある。
論文 参考訳（メタデータ） (2024-08-05T09:50:16Z) - Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳（メタデータ） (2024-03-13T16:05:18Z) - Fully Data-Driven Model for Increasing Sampling Rate Frequency of
Seismic Data using Super-Resolution Generative Adversarial Networks [0.0]
本研究では,超解像生成逆数ネットワーク(SRGAN)を用いて,時系列データの分解能を向上させる。
SRGANはこれらの低解像度画像のアップスケールに利用され、全体的なセンサー解像度が向上する。
SRGAN法は実地震データを用いて厳密に評価し,その性能を従来の拡張手法と比較した。
論文 参考訳（メタデータ） (2024-01-31T20:15:35Z) - Dynamic Spatio-Temporal Summarization using Information Based Fusion [3.038642416291856]
本稿では,重要な時間経過における情報的特徴を識別し,少ない情報的特徴を融合する動的時間的データ要約手法を提案する。
既存の手法とは異なり,本手法は生と要約の両方のタイムステップを保持し,時間とともに情報の変化を包括的に把握する。
我々は,粒子ベースのフローシミュレーション,セキュリティと監視の応用,免疫システム内の生体細胞間相互作用など,多様なデータセットにまたがる手法の汎用性を実証した。
論文 参考訳（メタデータ） (2023-10-02T20:21:43Z) - Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。
データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。
本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
論文 参考訳（メタデータ） (2020-10-27T09:56:16Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T14:49:33Z)
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。