論文の概要: TEA: Temporal Adaptive Satellite Image Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2601.04956v1
• Date: Thu, 08 Jan 2026 14:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.226201
• Title: TEA: Temporal Adaptive Satellite Image Semantic Segmentation
• Title（参考訳）: TEA: 時間適応型衛星画像セマンティックセグメンテーション
• Authors: Juyuan Kang, Hao Zhu, Yan Zhu, Wei Zhang, Jianing Chen, Tianxiang Xiao, Yike Ma, Hao Jiang, Feng Dai,
• Abstract要約: 列長の異なるモデルのレジリエンスを高めるために,TEmporal Adaptive SITSセマンティックセマンティックセマンティックセマンティクス法を提案する。 本研究では,グローバルシーケンスの知識をカプセル化した教師モデルを導入し,適応的な時間的入力長を持つ学生モデルを指導する。 提案手法は,共通ベンチマーク上での時間長の異なる入力に対して,顕著な改善をもたらす。
• 参考スコア（独自算出の注目度）: 18.563697511245632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crop mapping based on satellite images time-series (SITS) holds substantial economic value in agricultural production settings, in which parcel segmentation is an essential step. Existing approaches have achieved notable advancements in SITS segmentation with predetermined sequence lengths. However, we found that these approaches overlooked the generalization capability of models across scenarios with varying temporal length, leading to markedly poor segmentation results in such cases. To address this issue, we propose TEA, a TEmporal Adaptive SITS semantic segmentation method to enhance the model's resilience under varying sequence lengths. We introduce a teacher model that encapsulates the global sequence knowledge to guide a student model with adaptive temporal input lengths. Specifically, teacher shapes the student's feature space via intermediate embedding, prototypes and soft label perspectives to realize knowledge transfer, while dynamically aggregating student model to mitigate knowledge forgetting. Finally, we introduce full-sequence reconstruction as an auxiliary task to further enhance the quality of representations across inputs of varying temporal lengths. Through extensive experiments, we demonstrate that our method brings remarkable improvements across inputs of different temporal lengths on common benchmarks. Our code will be publicly available.
• Abstract（参考訳）: 衛星画像時系列(SITS)に基づく作物マッピングは農業生産環境において実質的な経済的価値を有しており、パーセルセグメンテーションは重要なステップである。 既存のアプローチは、所定のシーケンス長を持つSITSセグメンテーションにおいて顕著な進歩を遂げている。 しかし,これらの手法は時間長の異なるシナリオにまたがるモデルの一般化能力を見落としており,そのような場合のセグメンテーション結果は著しく劣ることがわかった。 この問題を解決するために,TEPoral Adaptive SITSセマンティックセマンティックセマンティクス法であるTEAを提案する。 本研究では,グローバルシーケンスの知識をカプセル化した教師モデルを導入し,適応的な時間的入力長を持つ学生モデルを指導する。 具体的には, 教師は, 知識伝達を実現するために, 中間埋め込み, プロトタイプ, ソフトラベルの視点を通じて, 学生の特徴空間を形作り, 学生モデルを動的に集約し, 知識の忘れを緩和する。 最後に、時間長の異なる入力における表現の質をさらに高めるための補助タスクとして、全列再構成を導入する。 広範にわたる実験により,本手法は,共通ベンチマーク上での時間長の異なる入力に対して,顕著な改善をもたらすことを示した。 私たちのコードは公開されます。

関連論文リスト

• TimeMosaic: Temporal Heterogeneity Guided Time Series Forecasting via Adaptive Granularity Patch and Segment-wise Decoding [3.64798801374117]
  TimeMosaicは、時間的不均一性に対処することを目的とした予測フレームワークである。 TimeMosaicは、局所情報密度に応じて動的に粒度を調整するために適応パッチ埋め込みを採用している。 我々は,321億の観測値を持つ大規模コーパスを訓練し,最先端のTSFMと性能を比較検討した。
  論文  参考訳（メタデータ） (2025-09-23T09:20:00Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• Frame Order Matters: A Temporal Sequence-Aware Model for Few-Shot Action Recognition [14.97527336050901]
  少ショット動作認識のための時間系列認識モデル(TSAM)を提案する。 シーケンシャルな知覚器アダプタを事前学習フレームワークに組み込んで、空間情報とシーケンシャルな時間的ダイナミクスの両方を特徴埋め込みに統合する。 5つのFSARデータセットに対する実験結果から,提案手法が新たなベンチマークを設定したことが確認された。
  論文  参考訳（メタデータ） (2024-08-22T15:13:27Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• ViTs for SITS: Vision Transformers for Satellite Image Time Series [52.012084080257544]
  ビジョン変換器(ViT)に基づく一般衛星画像時系列(SITS)処理のための完全アテンショナルモデルを提案する。 TSViTはSITSレコードを空間と時間で重複しないパッチに分割し、トークン化し、分解されたテンポロ空間エンコーダで処理する。
  論文  参考訳（メタデータ） (2023-01-12T11:33:07Z)
• MS-TCN++: Multi-Stage Temporal Convolutional Network for Action Segmentation [87.16030562892537]
  本稿では,時間的行動分割タスクのための多段階アーキテクチャを提案する。 第1段階は、次の段階によって洗練される初期予測を生成する。 我々のモデルは3つのデータセットで最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-16T14:50:47Z)

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。