論文の概要: Few-Shot Domain Adaptation with Temporal References and Static Priors for Glacier Calving Front Delineation
- arxiv url: http://arxiv.org/abs/2601.21663v1
- Date: Thu, 29 Jan 2026 12:58:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.827872
- Title: Few-Shot Domain Adaptation with Temporal References and Static Priors for Glacier Calving Front Delineation
- Title（参考訳）: 氷河養生前処理における時間的基準と静的優先条件を用いたFew-Shot領域適応
- Authors: Marcel Dreier, Nora Gourmelon, Dakota Pyles, Thorsten Seehaus, Matthias H. Braun, Andreas Maier, Vincent Christlein,
- Abstract要約: 氷河カルビングフロントデライン化の最先端モデルは、ほぼ人間に近い性能を達成する。
新規研究現場の現実世界に応用した場合、そのデライン精度は不十分である。
このサイトは、ベンチマークデータセットのみに基づいてトレーニングされたモデルの配布外ドメインを表している。
- 参考スコア（独自算出の注目度）: 4.779105689736933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During benchmarking, the state-of-the-art model for glacier calving front delineation achieves near-human performance. However, when applied in a real-world setting at a novel study site, its delineation accuracy is insufficient for calving front products intended for further scientific analyses. This site represents an out-of-distribution domain for a model trained solely on the benchmark dataset. By employing a few-shot domain adaptation strategy, incorporating spatial static prior knowledge, and including summer reference images in the input time series, the delineation error is reduced from 1131.6 m to 68.7 m without any architectural modifications. These methodological advancements establish a framework for applying deep learning-based calving front segmentation to novel study sites, enabling calving front monitoring on a global scale.
- Abstract（参考訳）: ベンチマーク中は,氷河カルビングフロントデライン化の最先端モデルにより,ほぼ人間に近い性能が達成される。
しかし, 新たな研究現場で実世界の環境に応用した場合, さらなる科学的分析を目的とした事前積の計算には, そのデライン精度が不十分である。
このサイトは、ベンチマークデータセットのみに基づいてトレーニングされたモデルの配布外ドメインを表している。
数発のドメイン適応戦略を採用し、空間的静的な事前知識を取り入れ、入力時系列に夏季参照画像を含めることで、設計上の変更を伴わずにデライン誤差を1131.6mから68.7mに削減する。
これらの手法の進歩は, 深層学習に基づく前部偏差解析を新たな研究現場に適用する枠組みを確立し, 世界規模での前部偏差モニタリングを可能にした。
関連論文リスト
- Aligning Latent Spaces with Flow Priors [72.24305287508474]
本稿では,学習可能な潜在空間を任意の目標分布に整合させるための新しいフレームワークを提案する。
特に,提案手法は計算コストの高い確率評価を排除し,最適化時のODE解決を回避する。
論文 参考訳（メタデータ） (2025-06-05T16:59:53Z) - MicroFlow: Domain-Specific Optical Flow for Ground Deformation Estimation in Seismic Events [19.621315573734265]
特に,暗黙の相関層に依存した深層学習モデルでは,実環境下での小さな変位を推定することが困難である。
我々のモデルは、半合成地球物理学のベンチマークを広く利用し、人為的・高分解能のセンサーで捉えた現実世界のシナリオをうまく一般化する。
論文 参考訳（メタデータ） (2025-04-18T04:10:40Z) - Gradient-Guided Annealing for Domain Generalization [5.124256074746721]
ドメインの一般化効率を向上させるため,GGAアルゴリズムを提案する。
GGAの有効性は、広く受け入れられ、困難な画像分類領域の一般化ベンチマークで評価される。
論文 参考訳（メタデータ） (2025-02-27T15:01:55Z) - Robust Traffic Forecasting against Spatial Shift over Years [11.208740750755025]
新たに提案したトラフィックOODベンチマークを用いて,時空間技術モデルについて検討する。
これらのモデルのパフォーマンスが著しく低下していることが分かりました。
そこで我々は,学習中にグラフ生成器の集合を学習し,それらを組み合わせて新しいグラフを生成するMixture Expertsフレームワークを提案する。
我々の手法は相似的かつ有効であり、任意の時間モデルにシームレスに統合できる。
論文 参考訳（メタデータ） (2024-10-01T03:49:29Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Prior-guided Source-free Domain Adaptation for Human Pose Estimation [24.50953879583841]
2次元人間のポーズ推定のためのドメイン適応法は、典型的にはソースデータへの連続的なアクセスを必要とする。
我々は、人気のある平均教師フレームワークを基盤とした擬似ラベル方式である、事前指導型自己学習(POST)を提案する。
論文 参考訳（メタデータ） (2023-08-26T20:30:04Z) - Towards Zero-Shot Scale-Aware Monocular Depth Estimation [28.42580603643096]
任意のテスト画像の計量スケールを予測できる新しい単眼深度推定フレームワークであるZeroDepthを紹介する。
これは、(i)入力レベルの幾何学的埋め込みを使用して、オブジェクトの前のスケールを学習し、(ii)エンコーダとデコーダのステージをデカップリングすることで実現される。
論文 参考訳（メタデータ） (2023-06-29T18:46:11Z) - Ranking Distance Calibration for Cross-Domain Few-Shot Learning [91.22458739205766]
数ショット学習の最近の進歩は、より現実的なクロスドメイン設定を促進する。
ドメインギャップとソースとターゲットデータセット間のラベル空間の相違により、共有される知識は極めて限られている。
我々は,タスク内の相互k-アネレスト近傍を発見することで,目標距離行列の校正を行う。
論文 参考訳（メタデータ） (2021-12-01T03:36:58Z) - Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。
我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
論文 参考訳（メタデータ） (2021-04-01T20:01:57Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2020-10-19T04:25:10Z)
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。