論文の概要: Multitask GLocal OBIA-Mamba for Sentinel-2 Landcover Mapping

• arxiv url: http://arxiv.org/abs/2511.10604v1
• Date: Fri, 14 Nov 2025 01:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.952811
• Title: Multitask GLocal OBIA-Mamba for Sentinel-2 Landcover Mapping
• Title（参考訳）: マルチタスクGLocal OBIA-Mamba for Sentinel-2 Landcover Mapping
• Authors: Zack Dewis, Yimin Zhu, Zhengsen Xu, Mabel Heffring, Saeid Taleghanidoozdoozan, Kaylee Xiao, Motasem Alkayid, Lincoln Linlin Xu,
• Abstract要約: 本稿では,Sentinel-2分類を改良した新しいマルチタスクローカルOBIA-Mamba(MSOM)を提案する。 提案手法は、カナダのアルバータ州のSentinel-2画像に対して、いくつかの高度な分類手法と比較して試験される。
• 参考スコア（独自算出の注目度）: 2.425882490873748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although Sentinel-2 based land use and land cover (LULC) classification is critical for various environmental monitoring applications, it is a very difficult task due to some key data challenges (e.g., spatial heterogeneity, context information, signature ambiguity). This paper presents a novel Multitask Glocal OBIA-Mamba (MSOM) for enhanced Sentinel-2 classification with the following contributions. First, an object-based image analysis (OBIA) Mamba model (OBIA-Mamba) is designed to reduce redundant computation without compromising fine-grained details by using superpixels as Mamba tokens. Second, a global-local (GLocal) dual-branch convolutional neural network (CNN)-mamba architecture is designed to jointly model local spatial detail and global contextual information. Third, a multitask optimization framework is designed to employ dual loss functions to balance local precision with global consistency. The proposed approach is tested on Sentinel-2 imagery in Alberta, Canada, in comparison with several advanced classification approaches, and the results demonstrate that the proposed approach achieves higher classification accuracy and finer details that the other state-of-the-art methods.
• Abstract（参考訳）: センチネル2をベースとした土地利用と土地被覆(LULC)分類は様々な環境モニタリングアプリケーションにおいて重要であるが、重要なデータ問題(空間的不均一性、文脈情報、署名のあいまいさなど)のために非常に難しい課題である。 本稿では, セチネル2分類の強化を目的とした, マルチタスクローカルOBIA-Mamba (MSOM) を提案する。 まず、オブジェクトベース画像解析(OBIA)のMambaモデル(OBIA-Mamba)は、スーパーピクセルをMambaトークンとして使用することにより、微細な詳細を妥協することなく冗長な計算を削減できるように設計されている。 第二に、グローバルローカル(GLocal)デュアルブランチ畳み込みニューラルネットワーク(CNN)-mambaアーキテクチャは、局所的な空間的詳細とグローバルなコンテキスト情報を共同でモデル化するように設計されている。 第三に、マルチタスク最適化フレームワークは、局所的な精度とグローバルな一貫性のバランスをとるために二重損失関数を使用するように設計されている。 提案手法は,カナダのアルバータ州のSentinel-2画像に対して,いくつかの高度な分類手法と比較して実験を行い,提案手法が他の最先端手法よりも高い分類精度と細部を達成できることを実証した。

関連論文リスト

• Dual Mamba for Node-Specific Representation Learning: Tackling Over-Smoothing with Selective State Space Modeling [12.115520585626046]
  オーバー・スムーシングに対処するため,Dual Mamba-enhanced Graph Convolutional Network (DMbaGCN)を提案する。 DMbaGCNはローカル・ステート・エボリューション・マンバ(LSEMba)とグローバル・コンテキスト・アウェア・マンバ(GCAMba)の2つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2025-11-10T06:34:20Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• MambaUIE&SR: Unraveling the Ocean's Secrets with Only 2.8 GFLOPs [1.7648680700685022]
  水中画像強調(UIE)技術は,光吸収・散乱による水中画像劣化問題に対処することを目的としている。 近年、畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースの手法が広く研究されている。 MambaUIEは、グローバルおよびローカル情報を効率的に合成することができ、非常に少数のパラメータを高い精度で保持する。
  論文  参考訳（メタデータ） (2024-04-22T05:12:11Z)
• DGMamba: Domain Generalization via Generalized State Space Model [80.82253601531164]
  ドメイン一般化(DG)は、様々な場面における分散シフト問題を解決することを目的としている。 Mambaは、新興状態空間モデル(SSM)として、より優れた線形複雑性と大域的受容場を持つ。 本稿では,DGMamba という新たな DG フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-11T14:35:59Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)
• Leveraging EfficientNet and Contrastive Learning for Accurate Global-scale Location Estimation [15.633461635276337]
  地球規模の画像ジオロケーションのための混合分類検索方式を提案する。 このアプローチは、4つの公開データセットで非常に競争力のあるパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-05-17T07:18:43Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。