論文の概要: MCVI-SANet: A lightweight semi-supervised model for LAI and SPAD estimation of winter wheat under vegetation index saturation
- arxiv url: http://arxiv.org/abs/2512.18344v1
- Date: Sat, 20 Dec 2025 12:17:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.299324
- Title: MCVI-SANet: A lightweight semi-supervised model for LAI and SPAD estimation of winter wheat under vegetation index saturation
- Title（参考訳）: MCVI-SANet:植生指標飽和下における冬季コムギのLAIおよびSPAD推定のための軽量半教師付き半教師付きモデル
- Authors: Zhiheng Zhang, Jiajun Yang, Hong Sun, Dong Wang, Honghua Jiang, Yaru Chen, Tangyuan Ning,
- Abstract要約: Multi-Channel Vegetation Indices Saturation Aware Net (MCVI-SANet) は軽量な半教師付き視覚モデルである。
モデルには、適応的なチャネル空間的特徴拡張のための、新しく設計されたベジテーションインデックス飽和認識ブロック(VI-SABlock)が組み込まれている。
10回の実験では、MCVI-SANetが最先端の精度を達成している。
- 参考スコア（独自算出の注目度）: 12.551036304415204
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vegetation index (VI) saturation during the dense canopy stage and limited ground-truth annotations of winter wheat constrain accurate estimation of LAI and SPAD. Existing VI-based and texture-driven machine learning methods exhibit limited feature expressiveness. In addition, deep learning baselines suffer from domain gaps and high data demands, which restrict their generalization. Therefore, this study proposes the Multi-Channel Vegetation Indices Saturation Aware Net (MCVI-SANet), a lightweight semi-supervised vision model. The model incorporates a newly designed Vegetation Index Saturation-Aware Block (VI-SABlock) for adaptive channel-spatial feature enhancement. It also integrates a VICReg-based semi-supervised strategy to further improve generalization. Datasets were partitioned using a vegetation height-informed strategy to maintain representativeness across growth stages. Experiments over 10 repeated runs demonstrate that MCVI-SANet achieves state-of-the-art accuracy. The model attains an average R2 of 0.8123 and RMSE of 0.4796 for LAI, and an average R2 of 0.6846 and RMSE of 2.4222 for SPAD. This performance surpasses the best-performing baselines, with improvements of 8.95% in average LAI R2 and 8.17% in average SPAD R2. Moreover, MCVI-SANet maintains high inference speed with only 0.10M parameters. Overall, the integration of semi-supervised learning with agronomic priors provides a promising approach for enhancing remote sensing-based precision agriculture.
- Abstract（参考訳）: 冬期コムギの密林期における植生指標 (VI) 飽和度と接地率の制限により, LAIおよびSPADの正確な推定が可能となった。
既存のVIベースおよびテクスチャ駆動機械学習手法は、限られた特徴表現性を示す。
さらに、ディープラーニングのベースラインはドメインギャップと高いデータ要求に悩まされ、一般化が制限される。
そこで本研究では,軽量な半教師付き視覚モデルであるMCVI-SANet(Multi-Channel Vegetation Indices Saturation Aware Net)を提案する。
このモデルには、適応的なチャネル空間的特徴拡張のための、新しく設計されたベジテーションインデックス飽和認識ブロック(VI-SABlock)が組み込まれている。
また、VICRegベースの半教師付き戦略を統合し、一般化をさらに改善する。
成長段階をまたいだ代表性を維持するため,植生高度インフォーム戦略を用いてデータセットを分割した。
10回の実験では、MCVI-SANetが最先端の精度を達成している。
LAIでは平均R2が0.8123、RMSEが0.4796、SPADでは平均R2が0.6846、RMSEが2.4222に達する。
この性能は、平均LAI R2が8.95%、平均SPAD R2が8.17%の改善により、最高のパフォーマンスのベースラインを超えた。
さらに、MCVI-SANetは0.10Mパラメータしか持たない高い推論速度を維持している。
概して、半教師あり学習と農業の先駆者の統合は、リモートセンシングに基づく精密農業を強化するための有望なアプローチを提供する。
関連論文リスト
- SERA-H: Beyond Native Sentinel Spatial Limits for High-Resolution Canopy Height Mapping [3.8902217877872034]
森林管理と生物多様性モニタリングには高分解能の天蓋の高さマッピングが不可欠である。
超高分解能モジュールと時間的アテンションエンコーディングを組み合わせたエンドツーエンドモデルSERA-Hを提案する。
本モデルでは,自由利用可能なSentinel-1とSentinel-2時系列データから2.5mの高さマップを生成する。
論文 参考訳（メタデータ） (2025-12-19T23:23:14Z) - Comprehensive Deployment-Oriented Assessment for Cross-Environment Generalization in Deep Learning-Based mmWave Radar Sensing [0.0]
本研究では,周波数変調連続波(FMCW)マルチインプットマルチアウトプット(MIMO)レーダを用いた屋内環境における計数に着目する。
本稿では,振幅に基づく統計的前処理(シグモイド重み付けとしきい値ゼロ化),周波数領域フィルタリング,オートエンコーダに基づく背景抑圧,データ拡張戦略,転送学習など,幅広いアプローチについて検討する。
論文 参考訳（メタデータ） (2025-12-15T06:29:51Z) - An Efficient Remote Sensing Super Resolution Method Exploring Diffusion Priors and Multi-Modal Constraints for Crop Type Mapping [0.0]
超解像度は、低解像度でも歴史的に価値のあるリモートセンシング画像アーカイブを利用する方法を提供する。
現在の手法では、科学的に現実的なイメージを再構成するための現実的な制約として補助情報を限定的に活用している。
RSSR のための効率的な LSSR フレームワークを提案し,Landsat 8 と Sentinel 2 画像のペア化によるマルチモーダルデータセットを提案する。
論文 参考訳（メタデータ） (2025-10-27T14:34:52Z) - Large Scale Diffusion Distillation via Score-Regularized Continuous-Time Consistency [60.74505433956616]
連続時間一貫性モデル(sCM)は理論的に原理化され、学術規模の拡散を加速するために実証的に強力である。
まず並列性互換なFlashAttention-2 JVPカーネルを開発し、100億以上のパラメータと高次元ビデオタスクを持つモデル上でsCMトレーニングを可能にする。
本稿では, スコア蒸留を長軸正則化器として組み込んだスコア規則化連続時間一貫性モデル(rCM)を提案する。
論文 参考訳（メタデータ） (2025-10-09T16:45:30Z) - YOLO-ROC: A High-Precision and Ultra-Lightweight Model for Real-Time Road Damage Detection [0.0]
道路損傷検出は、交通安全を確保し、インフラの整合性を維持するための重要な課題である。
本稿では, 道路直交コンパクト(YOLO-ROC)の高精度軽量モデルを提案する。
論文 参考訳（メタデータ） (2025-07-31T03:35:19Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - CMAViT: Integrating Climate, Managment, and Remote Sensing Data for Crop Yield Estimation with Multimodel Vision Transformers [0.0]
我々はCMAViT(Climate-Management Aware Vision Transformer)と呼ばれる深層学習に基づくマルチモデルを導入する。
CMAViTは、リモートセンシング画像と短期気象データを活用することにより、空間データと時間データの両方を統合する。
UNet-ConvLSTMのような従来のモデルよりも優れ、空間的変動のキャプチャと収差予測に優れています。
論文 参考訳（メタデータ） (2024-11-25T23:34:53Z) - MLAE: Masked LoRA Experts for Visual Parameter-Efficient Fine-Tuning [45.93128932828256]
Masked LoRA Experts (MLAE) は、視覚的PEFTにマスキングの概念を適用する革新的なアプローチである。
本手法は,低ランク行列を独立したランク1サブマトリクスに変換するセル分解戦略を組み込んだものである。
MLAEは,VTAB-1kベンチマークでは平均78.8%,FGVCベンチマークでは90.9%の精度で,新しい最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2024-05-29T08:57:23Z) - Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。
我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。
我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
論文 参考訳（メタデータ） (2023-07-28T16:03:28Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳（メタデータ） (2022-07-14T10:04:18Z)
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。