論文の概要: Physics informed Transformer-VAE for biophysical parameter estimation: PROSAIL model inversion in Sentinel-2 imagery

• arxiv url: http://arxiv.org/abs/2511.10387v3
• Date: Mon, 17 Nov 2025 17:20:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 18:52:09.568215
• Title: Physics informed Transformer-VAE for biophysical parameter estimation: PROSAIL model inversion in Sentinel-2 imagery
• Title（参考訳）: 生体物理パラメータ推定のための物理情報変換器-VAE:Sentinel-2画像におけるProSAILモデルインバージョン
• Authors: Prince Mensah, Pelumi Victor Aderinto, Ibrahim Salihu Yusuf, Arnu Pretorius,
• Abstract要約: 本稿では, キーキャノピーパラメータをSentinel-2データから同時推定するために, PROSAIL放射伝達モデルを逆変換する物理インフォームドトランスフォーマー-VAEアーキテクチャを提案する。 我々のモデルはシミュレーションデータにのみ訓練されるが、実際の画像を利用する最先端の手法と同等の性能を達成できる。
• 参考スコア（独自算出の注目度）: 4.19792535128126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate retrieval of vegetation biophysical variables from satellite imagery is crucial for ecosystem monitoring and agricultural management. In this work, we propose a physics-informed Transformer-VAE architecture to invert the PROSAIL radiative transfer model for simultaneous estimation of key canopy parameters from Sentinel-2 data. Unlike previous hybrid approaches that require real satellite images for self-supevised training. Our model is trained exclusively on simulated data, yet achieves performance on par with state-of-the-art methods that utilize real imagery. The Transformer-VAE incorporates the PROSAIL model as a differentiable physical decoder, ensuring that inferred latent variables correspond to physically plausible leaf and canopy properties. We demonstrate retrieval of leaf area index (LAI) and canopy chlorophyll content (CCC) on real-world field datasets (FRM4Veg and BelSAR) with accuracy comparable to models trained with real Sentinel-2 data. Our method requires no in-situ labels or calibration on real images, offering a cost-effective and self-supervised solution for global vegetation monitoring. The proposed approach illustrates how integrating physical models with advanced deep networks can improve the inversion of RTMs, opening new prospects for large-scale, physically-constrained remote sensing of vegetation traits.
• Abstract（参考訳）: 衛星画像からの植生生物物理学変数の正確な検索は、生態系のモニタリングと農業管理に不可欠である。 本研究では,Sentinel-2データからキーキャノピーパラメータを同時推定するためのPROSAIL放射伝達モデルを逆変換する物理インフォームドトランスフォーマー-VAEアーキテクチャを提案する。 実際の衛星画像を必要とする従来のハイブリッドアプローチとは異なり、自給訓練を行う。 我々のモデルはシミュレーションデータにのみ訓練されるが、実際の画像を利用する最先端の手法と同等の性能を達成できる。 Transformer-VAE は PROSAIL モデルを物理的デコーダとして組み込んでおり、推論された潜伏変数が物理的に可塑性な葉と天蓋の性質に対応することを保証している。 実世界のフィールドデータセット (FRM4Veg と BelSAR) 上で, 葉面積指数 (LAI) とカノピークロロフィル含量 (CCC) を, 実際のSentinel-2データで訓練されたモデルに匹敵する精度で検索する。 本手法では,実画像のラベルやキャリブレーションを必要とせず,地球規模の植生モニタリングのための費用対効果と自己管理のソリューションを提供する。 提案手法は, 高度な深層ネットワークと物理モデルを統合することにより, RTMの逆転が向上し, 植生特性の大規模かつ物理的に制約されたリモートセンシングの新たな可能性を明らかにするものである。

関連論文リスト

• Traj-Transformer: Diffusion Models with Transformer for GPS Trajectory Generation [15.689474391811734]
  本稿では,条件情報埋め込みと雑音予測の両方にトランスフォーマバックボーンを用いた新しいモデルであるトラジェクトリ・トランスフォーマーを提案する。 2つの実世界のデータセットの実験により、トレイトランスフォーマーは生成品質を大幅に向上し、以前のアプローチで見られた問題を効果的に緩和することを示した。
  論文  参考訳（メタデータ） (2025-10-07T05:41:09Z)
• ASTRA: A Scene-aware TRAnsformer-based model for trajectory prediction [15.624698974735654]
  ASTRA (A Scene-aware TRAnsformer based model for trajectory prediction) は軽量な歩行者軌道予測モデルである。 我々は、U-Netベースの特徴抽出器を用いて、その潜在ベクトル表現を用いて、シーン表現をキャプチャし、グラフ対応トランスフォーマーエンコーダを用いて、ソーシャルインタラクションをキャプチャする。
  論文  参考訳（メタデータ） (2025-01-16T23:28:30Z)
• HorGait: A Hybrid Model for Accurate Gait Recognition in LiDAR Point Cloud Planar Projections [8.56443762544299]
  HorGaitは、LiDARからの3Dポイント雲の平面投影における歩行認識のためのTransformerアーキテクチャを備えたハイブリッドモデルである。 SUSTech1Kデータセット上のTransformerアーキテクチャメソッド間の最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-10-11T02:12:41Z)
• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)
• Inference over radiative transfer models using variational and expectation maximization methods [9.73020420215473]
  本稿では,生物物理パラメータの点推定だけでなく,その共同分布を推定するための2つの計算手法を提案する。 そのうちの1つは変分オートエンコーダアプローチに基づいており、もう1つはモンテカルロ予想最大化スキームに基づいている。 本研究では,地球生物圏の定量化のための3つの重要な生体物理パラメータの分布をモデル化し,推定するための2つの手法の性能解析を行った。
  論文  参考訳（メタデータ） (2022-04-07T10:33:51Z)
• ViTAEv2: Vision Transformer Advanced by Exploring Inductive Bias for Image Recognition and Beyond [76.35955924137986]
  我々は、内在性IBを畳み込み、すなわちViTAEから探索するビジョントランスフォーマーを提案する。 ViTAEはいくつかの空間ピラミッド縮小モジュールを備えており、入力イメージをリッチなマルチスケールコンテキストでトークンに埋め込む。 我々は、ImageNet検証セット上で88.5%のTop-1分類精度と、ImageNet実検証セット上で最高の91.2%のTop-1分類精度を得る。
  論文  参考訳（メタデータ） (2022-02-21T10:40:05Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• Learning Generative Vision Transformer with Energy-Based Latent Space for Saliency Prediction [51.80191416661064]
  本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。 ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。 生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
  論文  参考訳（メタデータ） (2021-12-27T06:04:33Z)
• FoveaTer: Foveated Transformer for Image Classification [8.207403859762044]
  本研究では,プール領域とサスカディック動作を用いてオブジェクト分類タスクを行うFoveaTerモデルを提案する。 本研究では,提案モデルと未発見モデルを用いてアンサンブルモデルを構築し,未発見モデルよりも精度1.36%の精度で計算コストを22%削減した。
  論文  参考訳（メタデータ） (2021-05-29T01:54:33Z)
• Visual Saliency Transformer [127.33678448761599]
  RGBとRGB-Dの液状物体検出(SOD)のための、純粋な変圧器であるVST(Visual Saliency Transformer)に基づく新しい統一モデルを開発しました。 イメージパッチを入力として取り、トランスフォーマーを利用してイメージパッチ間のグローバルコンテキストを伝搬する。 実験結果から,RGBとRGB-D SODのベンチマークデータセットにおいて,本モデルが既存の最新結果を上回っていることが示された。
  論文  参考訳（メタデータ） (2021-04-25T08:24:06Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。