論文の概要: Weakly Supervised Ephemeral Gully Detection In Remote Sensing Images Using Vision Language Models
- arxiv url: http://arxiv.org/abs/2511.13891v1
- Date: Mon, 17 Nov 2025 20:29:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:52.785199
- Title: Weakly Supervised Ephemeral Gully Detection In Remote Sensing Images Using Vision Language Models
- Title（参考訳）: 視覚言語モデルを用いたリモートセンシング画像における弱教師付き一時グリー検出
- Authors: Seyed Mohamad Ali Tousi, John A. Lory, G. N. DeSouza,
- Abstract要約: 本研究は,エフェメラルガリー検出のための第1の弱教師付きパイプラインについて述べる。
本手法はリモートセンシングに依存し,視覚言語モデル(VLM)を用いて手動ラベリングの作業を大幅に削減する。
また,リモートセンシング画像から短腸の半教師付き検出を行うための第1種データセットも利用可能である。
- 参考スコア（独自算出の注目度）: 2.5973037701874424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Among soil erosion problems, Ephemeral Gullies are one of the most concerning phenomena occurring in agricultural fields. Their short temporal cycles increase the difficulty in automatically detecting them using classical computer vision approaches and remote sensing. Also, due to scarcity of and the difficulty in producing accurate labeled data, automatic detection of ephemeral gullies using Machine Learning is limited to zero-shot approaches which are hard to implement. To overcome these challenges, we present the first weakly supervised pipeline for detection of ephemeral gullies. Our method relies on remote sensing and uses Vision Language Models (VLMs) to drastically reduce the labor-intensive task of manual labeling. In order to achieve that, the method exploits: 1) the knowledge embedded in the VLM's pretraining; 2) a teacher-student model where the teacher learns from noisy labels coming from the VLMs, and the student learns by weak supervision using teacher-generate labels and a noise-aware loss function. We also make available the first-of-its-kind dataset for semi-supervised detection of ephemeral gully from remote-sensed images. The dataset consists of a number of locations labeled by a group of soil and plant scientists, as well as a large number of unlabeled locations. The dataset represent more than 18,000 high-resolution remote-sensing images obtained over the course of 13 years. Our experimental results demonstrate the validity of our approach by showing superior performances compared to VLMs and the label model itself when using weak supervision to train an student model. The code and dataset for this work are made publicly available.
- Abstract（参考訳）: 土壌浸食問題の中では、エフェメラル・グリーズ(Ephemeral Gullies)は農業地帯で起きている現象の中で最も関係の深い1つである。
彼らの短い時間周期は、古典的なコンピュータビジョンアプローチとリモートセンシングを使用して、それらを自動的に検出する難しさを増大させる。
また、ラベル付きデータの正確な生成が困難であることから、機械学習を用いた一時的グルリの自動検出は、実装が難しいゼロショットアプローチに限られる。
これらの課題を克服するために,一時的結節を検出するための最初の弱教師付きパイプラインを提示する。
本手法はリモートセンシングに依存し,視覚言語モデル(VLM)を用いて手動ラベリングの作業を大幅に削減する。
これを達成するために、メソッドは次のように利用する。
1) VLMの事前訓練に埋め込まれた知識
2)教師がVLMから来るノイズラベルから学習し,教師生成ラベルとノイズ認識損失関数を用いて弱監督によって学習する教師学習モデル。
また,リモートセンシング画像から短腸の半教師付き検出を行うための第1種データセットも利用可能である。
データセットは、土壌と植物科学者のグループによってラベル付けされた多数の場所と、ラベル付けされていない多数の場所で構成されている。
データセットは、13年間で得られた18,000以上の高解像度のリモートセンシング画像を表す。
本実験は,学生モデルの訓練に弱い監督力を用いた場合,VLMやラベルモデルよりも優れた性能を示すことによって,本手法の有効性を示すものである。
この作業のコードとデータセットが公開されている。
関連論文リスト
- TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。
我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。
提案手法は2つの異なる方法で擬似ラベル品質を向上する。
論文 参考訳（メタデータ） (2024-09-17T05:35:00Z) - MarvelOVD: Marrying Object Recognition and Vision-Language Models for Robust Open-Vocabulary Object Detection [107.15164718585666]
開語彙検出コンテキスト下でのVLMの偏り予測の根本原因について検討した。
私たちの観察は、非常に優れたトレーニングターゲットを生成する、単純で効果的なパラダイム、コード化されたMarvelOVDにつながります。
我々の手法は、他の最先端技術よりも大きなマージンで優れている。
論文 参考訳（メタデータ） (2024-07-31T09:23:57Z) - Task Specific Pretraining with Noisy Labels for Remote Sensing Image Segmentation [18.598405597933752]
自己監督(Self-supervision)は、人造地理空間アノテーションの正確な量を減らすためのリモートセンシングツールを提供する。
本研究では,モデル事前学習のためのノイズの多いセマンティックセグメンテーションマップを提案する。
2つのデータセットから,ノイズラベルを用いたタスク固有教師付き事前学習の有効性が示唆された。
論文 参考訳（メタデータ） (2024-02-25T18:01:42Z) - Cold PAWS: Unsupervised class discovery and addressing the cold-start
problem for semi-supervised learning [0.30458514384586394]
本稿では, 自己教師付き学習, クラスタリング, 多様体学習技術に基づく新しい手法を提案する。
我々は、CIFAR10、Imagenette、DeepWeeds、EuroSATなどの公開データセットを使って、我々のアプローチをテストする。
文献における他の手法と比較して,より単純なアプローチで検討したデータセットに対して,優れた性能が得られる。
論文 参考訳（メタデータ） (2023-05-17T09:17:59Z) - Cross Modal Distillation for Flood Extent Mapping [0.41562334038629595]
本研究では,早期洪水警報システムの浸水検出モジュールの改良を目的としたML手法について検討する。
提案手法は,SAR(Synthetic Aperture Radar)画像とMulti-spectralとSAR(Synthetic Aperture Radar)画像のアンラベリングデータセットを利用する。
論文 参考訳（メタデータ） (2023-02-16T09:57:08Z) - Evaluating the Label Efficiency of Contrastive Self-Supervised Learning
for Multi-Resolution Satellite Imagery [0.0]
遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。
本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
論文 参考訳（メタデータ） (2022-10-13T06:54:13Z) - Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote
Sensing Data [64.40187171234838]
季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。
SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
論文 参考訳（メタデータ） (2021-03-30T18:26:39Z) - Geography-Aware Self-Supervised Learning [79.4009241781968]
異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。
本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-11-19T17:29:13Z) - DAGA: Data Augmentation with a Generation Approach for Low-resource
Tagging Tasks [88.62288327934499]
線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。
本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
論文 参考訳（メタデータ） (2020-11-03T07:49:15Z) - Laplacian Denoising Autoencoder [114.21219514831343]
本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。
勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。
いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
論文 参考訳（メタデータ） (2020-03-30T16:52:39Z)
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。