論文の概要: MANGO: A Global Single-Date Paired Dataset for Mangrove Segmentation

• arxiv url: http://arxiv.org/abs/2601.17039v1
• Date: Tue, 20 Jan 2026 05:11:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.016577
• Title: MANGO: A Global Single-Date Paired Dataset for Mangrove Segmentation
• Title（参考訳）: manGO: マングローブセグメンテーションのためのグローバルな単一次元ペアデータセット
• Authors: Junhyuk Heo, Beomkyu Choi, Hyunjin Shin, Darongsae Kwon,
• Abstract要約: マングローブは気候変動の緩和に重要であり、効果的な保全のために信頼できるモニタリングを必要としている。 ディープラーニングはマングローブ検出の強力なツールとして登場したが、その進歩は既存のデータセットの制限によって妨げられている。 124か国で42,703のラベル付き画像マスクペアからなる大規模なグローバルデータセットであるMANGOを紹介した。
• 参考スコア（独自算出の注目度）: 0.5833117322405447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mangroves are critical for climate-change mitigation, requiring reliable monitoring for effective conservation. While deep learning has emerged as a powerful tool for mangrove detection, its progress is hindered by the limitations of existing datasets. In particular, many resources provide only annual map products without curated single-date image-mask pairs, limited to specific regions rather than global coverage, or remain inaccessible to the public. To address these challenges, we introduce MANGO, a large-scale global dataset comprising 42,703 labeled image-mask pairs across 124 countries. To construct this dataset, we retrieve all available Sentinel-2 imagery within the year 2020 for mangrove regions and select the best single-date observations that align with the mangrove annual mask. This selection is performed using a target detection-driven approach that leverages pixel-wise coordinate references to ensure adaptive and representative image-mask pairings. We also provide a benchmark across diverse semantic segmentation architectures under a country-disjoint split, establishing a foundation for scalable and reliable global mangrove monitoring.
• Abstract（参考訳）: マングローブは気候変動の緩和に重要であり、効果的な保全のために信頼できるモニタリングを必要としている。 ディープラーニングはマングローブ検出の強力なツールとして登場したが、その進歩は既存のデータセットの制限によって妨げられている。 特に、多くのリソースは、単一の日付のイメージマスクペアをキュレートせずに年1回のマップ製品のみを提供し、グローバルなカバレッジよりも特定の領域に限られるか、あるいは一般にはアクセスできないままである。 これらの課題に対処するために、124カ国で42,703のラベル付きイメージマスクペアからなる大規模なグローバルデータセットであるMANGOを紹介した。 このデータセットを構築するために、2020年中にマングローブ領域で利用可能なすべてのSentinel-2画像を取得し、マングローブの年次マスクと整合した最高の単一日付の観測結果を選択する。 この選択は、画素単位の座標参照を利用して、適応的および代表的なイメージマスクペアリングを保証するターゲット検出駆動アプローチを用いて実行される。 また、多種多様なセマンティックセグメンテーションアーキテクチャを国間分割してベンチマークし、スケーラブルで信頼性の高いグローバルマングローブモニタリングの基礎を確立した。

関連論文リスト

• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• OAM-TCD: A globally diverse dataset of high-resolution tree cover maps [8.336960607169175]
  OpenMap (OAM) から得られた高解像度の空中画像において, ツリークラウンデライン化(TCD)のための新しいオープンアクセスデータセットを提案する。 我々のデータセットであるOAM-TCDは、50722048x2048px画像を10cm/px解像度で、関連する280k個以上の木と56k個の木からなる。 データセットを使用して、既存の最先端モデルと比較する参照インスタンスとセマンティックセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-07-16T14:11:29Z)
• Planted: a dataset for planted forest identification from multi-satellite time series [23.822292894884427]
  森林プランテーションの認識のための5つの公共衛星のデータと,世界中の植林木種のデータからなるデータセットについて述べる。 PlantDという名前のデータセットには、41か国に分布する64種の木ラベルクラス(46属40種)の2M以上のサンプルが含まれている。
  論文  参考訳（メタデータ） (2024-05-24T15:49:00Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• The Canadian Cropland Dataset: A New Land Cover Dataset for Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
  カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。 このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。 ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
  論文  参考訳（メタデータ） (2023-05-31T18:40:15Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Improving Global Forest Mapping by Semi-automatic Sample Labeling with Deep Learning on Google Earth Images [9.230313124889554]
  この研究は、森林、低木、草地、不活地などに分類される395280個の散在する標本を含む、史上最大の森林サンプルセット(FSS)を構築しました。 利用者にガイドラインを提供するため,既存の30mGFC製品の局所マッピングとグローバルマッピングの精度を総合的に検証した。 グローブフォレスト2020という名の森林カバーが新たに作成され、これまでの最先端のアキュラシーを改善した。
  論文  参考訳（メタデータ） (2021-08-06T05:32:09Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。