論文の概要: Reducing the labeling burden in time-series mapping using Common Ground: a semi-automated approach to tracking changes in land cover and species over time
- arxiv url: http://arxiv.org/abs/2602.04373v1
- Date: Wed, 04 Feb 2026 09:49:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.46423
- Title: Reducing the labeling burden in time-series mapping using Common Ground: a semi-automated approach to tracking changes in land cover and species over time
- Title（参考訳）: コモングラウンドを用いた時系列地図作成におけるラベル付け負担軽減--土地被覆や種の変化を時間とともに追跡するための半自動的アプローチ
- Authors: Geethen Singh, Jasper A Slingsby, Tamara B Robinson, Glenn Moncrieff,
- Abstract要約: 我々は、時間ステップt0のみから参照データにアクセス可能なモデルが、t0と将来の時間ステップt1の両方で競合的に実行可能であることを示す。
この結果は、初期時間ステップ t0 を超えて参照ラベルを手動で更新する必要なく、効果的な時間的一般化を実現することができることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Reliable classification of Earth Observation data depends on consistent, up-to-date reference labels. However, collecting new labelled data at each time step remains expensive and logistically difficult, especially in dynamic or remote ecological systems. As a response to this challenge, we demonstrate that a model with access to reference data solely from time step t0 can perform competitively on both t0 and a future time step t1, outperforming models trained separately on time-specific reference data (the gold standard). This finding suggests that effective temporal generalization can be achieved without requiring manual updates to reference labels beyond the initial time step t0. Drawing on concepts from change detection and semi-supervised learning (SSL), the most performant approach, "Common Ground", uses a semi-supervised framework that leverages temporally stable regions-areas with little to no change in spectral or semantic characteristics between time steps-as a source of implicit supervision for dynamic regions. We evaluate this strategy across multiple classifiers, sensors (Landsat-8, Sentinel-2 satellite multispectral and airborne imaging spectroscopy), and ecological use cases. For invasive tree species mapping, we observed a 21-40% improvement in classification accuracy using Common Ground compared to naive temporal transfer, where models trained at a single time step are directly applied to a future time step. We also observe a 10 -16% higher accuracy for the introduced approach compared to a gold-standard approach. In contrast, when broad land cover categories were mapped across Europe, we observed a more modest 2% increase in accuracy compared to both the naive and gold-standard approaches. These results underscore the effectiveness of combining stable reference screening with SSL for scalable and label-efficient multi-temporal remote sensing classification.
- Abstract（参考訳）: 地球観測データの信頼性の高い分類は、一貫性のある最新の基準ラベルに依存する。
しかし、新しいラベル付きデータを各ステップで収集することは、特に動的または遠隔の生態システムにおいて、高価で論理的に困難なままである。
この課題に対して、時間固有の参照データ(金標準)に基づいて個別にトレーニングされたモデルよりも優れた、時間ステップt0と将来の時間ステップt1の両方で、基準データへのアクセスが可能なモデルが競争力を発揮することを示す。
この結果は、初期時間ステップ t0 を超えて参照ラベルを手動で更新する必要なく、効果的な時間的一般化を実現することができることを示唆している。
変化検出と半教師付き学習(SSL)の概念に基づいて、最も高性能なアプローチである"Common Ground"は、時間ステップ間のスペクトルや意味的特性をほとんど変更せずに、時間的に安定な領域を活用できる半教師付きフレームワークを使用する。
我々は,複数の分類器,センサ(Landsat-8,Sentinel-2衛星マルチスペクトル・空中イメージング分光)および生態学的利用例を対象に,この戦略を評価した。
外来樹種マッピングでは,1段階の訓練を1段階のモデルで行う場合と比較して,コモングラウンドを用いた分類精度が21～40%向上した。
また,金標準法に比べて10 -16%高い精度で導入した手法を観測した。
対照的に、広い土地被覆カテゴリーがヨーロッパ全体でマッピングされた場合、本手法と金標準方式の双方と比較して、精度はわずか2%向上した。
これらの結果は、SSLと安定した参照スクリーニングを組み合わせることで、スケーラブルでラベル効率のよいマルチ時間リモートセンシング分類の有効性を裏付けるものである。
関連論文リスト
- Wetland mapping from sparse annotations with satellite image time series and temporal-aware segment anything model [37.47356246646521]
WetSAMは、湿地マッピングのための衛星画像時系列を統合したフレームワークである。
WetSAMは, 平均F1スコア85.58%を達成し, 正確な, 構造的に整合した湿地セグメンテーションを最小限のラベル付けで実現し, 最先端の手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2026-01-16T16:10:32Z) - Causal Time Series Modeling of Supraglacial Lake Evolution in Greenland under Distribution Shift [2.5551933647600693]
因果モデリングは、時系列データの安定で不変な関係を明らかにするための原則的な基礎を提供する。
RIC-TSCは,ラグを意識した因果発見を直接シーケンスモデリングに組み込む,局所的にインフォームドされた因果時系列分類フレームワークである。
論文 参考訳（メタデータ） (2025-10-17T03:06:08Z) - AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。
2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。
分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:47:16Z) - Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。
本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。
提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
論文 参考訳（メタデータ） (2025-07-25T06:02:48Z) - Model-Agnostic, Temperature-Informed Sampling Enhances Cross-Year Crop Mapping with Deep Learning [1.837552179215311]
そこで本研究では,日時を熱時間に置き換えるモデル非依存の熱時間に基づくテンポラルサンプリング(T3S)手法を提案する。
この生物学的に意味のある方法で時系列をサブサンプリングすることで、成長期における重要な期間を明らかにすることができる。
スイス全土をカバーするSentinel-2データセットを用いて,T3Sの評価を行った。
論文 参考訳（メタデータ） (2025-06-15T15:30:08Z) - A theoretical framework for self-supervised contrastive learning for continuous dependent data [79.62732169706054]
自己教師付き学習(SSL)は、特にコンピュータビジョンの分野で、表現を学習するための強力なアプローチとして登場した。
本稿では,サンプル間のアンフェマティック独立に適した対照的なSSLの理論的枠組みを提案する。
具体的には、標準のUEAベンチマークとUCRベンチマークでTS2Vecを上回り、それぞれ4.17$%と2.08$%の精度で改善した。
論文 参考訳（メタデータ） (2025-06-11T14:23:47Z) - Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
異常検出は、医学診断や工業的欠陥検出などの分野において重要である。
CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。
クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
論文 参考訳（メタデータ） (2025-04-15T10:42:25Z) - A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。
その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
論文 参考訳（メタデータ） (2025-03-10T12:15:35Z) - Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。
このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
論文 参考訳（メタデータ） (2024-10-15T12:55:57Z) - Wild-Time: A Benchmark of in-the-Wild Distribution Shift over Time [69.77704012415845]
時間的シフトは、現実世界にデプロイされた機械学習モデルのパフォーマンスを著しく低下させる可能性がある。
ドメイン一般化、連続学習、自己教師付き学習、アンサンブル学習の手法を含む13の先行手法をベンチマークする。
いずれの評価方略も,分布外データから分布外データへの平均的な性能低下を観察する。
論文 参考訳（メタデータ） (2022-11-25T17:07:53Z) - Temporal Action Localization with Multi-temporal Scales [54.69057924183867]
マルチ時間スケールの特徴空間における行動を予測することを提案する。
具体的には、異なるスケールの洗練された特徴ピラミッドを使用して、高レベルのスケールから低レベルのスケールにセマンティクスを渡す。
提案手法は, それぞれ12.6%, 17.4%, 2.2%の改善を達成できる。
論文 参考訳（メタデータ） (2022-08-16T01:48:23Z)
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。