論文の概要: Gold Exploration using Representations from a Multispectral Autoencoder

• arxiv url: http://arxiv.org/abs/2602.06748v1
• Date: Fri, 06 Feb 2026 14:47:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.430593
• Title: Gold Exploration using Representations from a Multispectral Autoencoder
• Title（参考訳）: マルチスペクトルオートエンコーダの表現を用いた金探鉱
• Authors: Argyro Tsandalidou, Konstantinos Dogeas, Eleftheria Tetoula Tsonga, Elisavet Parselia, Georgios Tsimiklis, George Arvanitakis,
• Abstract要約: 本稿では,Sentinel-2画像から得られた生成表現を利用して,空間から金を含む領域を識別する概念実証フレームワークを提案する。 Isometricと呼ばれるオートエンコーダの基礎モデルは、大規模なFalconSpace-S2 v1.0データセットで事前訓練されている。 我々は、この表現に基づくアプローチを、既知の金および非金の場所からの63Sentinel-2画像のデータセットを用いて、生スペクトル入力ベースラインと比較した。
• 参考スコア（独自算出の注目度）: 0.26385121748044166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Satellite imagery is employed for large-scale prospectivity mapping due to the high cost and typically limited availability of on-site mineral exploration data. In this work, we present a proof-of-concept framework that leverages generative representations learned from multispectral Sentinel-2 imagery to identify gold-bearing regions from space. An autoencoder foundation model, called Isometric, which is pretrained on the large-scale FalconSpace-S2 v1.0 dataset, produces information-dense spectral-spatial representations that serve as inputs to a lightweight XGBoost classifier. We compare this representation-based approach with a raw spectral input baseline using a dataset of 63 Sentinel-2 images from known gold and non-gold locations. The proposed method improves patch-level accuracy from 0.51 to 0.68 and image-level accuracy from 0.55 to 0.73, demonstrating that generative embeddings capture transferable mineralogical patterns even with limited labeled data. These results highlight the potential of foundation-model representations to make mineral exploration more efficient, scalable, and globally applicable.
• Abstract（参考訳）: 衛星画像は、高コストで典型的にはオンサイト鉱物探査データの可用性に制限があるため、大規模な確率マッピングに使用される。 本研究では,マルチスペクトルSentinel-2画像から得られた生成表現を利用して,空間から金を含む領域を識別する概念実証フレームワークを提案する。 大規模なFalconSpace-S2 v1.0データセットで事前訓練されたIsometricと呼ばれる自動エンコーダ基盤モデルは、軽量なXGBoost分類器の入力として機能する情報密度スペクトル空間表現を生成する。 我々は、この表現に基づくアプローチを、既知の金および非金の場所からの63Sentinel-2画像のデータセットを用いて、生スペクトル入力ベースラインと比較した。 提案手法はパッチレベルの精度を0.51から0.68に改善し,画像レベルの精度を0.55から0.73に向上させる。 これらの結果は、鉱物探査をより効率的に、スケーラブルで、グローバルに適用できる基盤モデル表現の可能性を強調している。

関連論文リスト

• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。 ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• DF4LCZ: A SAM-Empowered Data Fusion Framework for Scene-Level Local Climate Zone Classification [2.088672652658465]
  LCZ分類のための新しいDual-stream Fusionフレームワーク(DF4LCZ)を提案する。 このフレームワークには、Segment Anything Model (SAM) によって強化された Graph Convolutional Network (GCN) モジュールが含まれており、Googleイメージからの機能抽出を強化する。 提案するDF4LCZの有効性を検証するため,LCZ分類に特化して設計されたマルチソースリモートセンシング画像データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-03-14T13:15:46Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• Object Detection in Hyperspectral Image via Unified Spectral-Spatial Feature Aggregation [55.9217962930169]
  S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。 S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
  論文  参考訳（メタデータ） (2023-06-14T09:01:50Z)
• Hyperspectral Target Detection Based on Low-Rank Background Subspace Learning and Graph Laplacian Regularization [2.9626402880497267]
  ハイパースペクトル目標検出は、スペクトル特性に基づく薄暗い物体や小さな物体の発見に有効である。 既存の表現に基づく手法は、未知の背景辞書の問題によって妨げられる。 本稿では低ランク表現(LRR)とグラフラプラシア正規化(GLR)に基づく効率的な最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T13:51:08Z)
• Target Detection Framework for Lobster Eye X-Ray Telescopes with Machine Learning Algorithms [6.4609323472170725]
  ロブスター望遠鏡は、X線帯域の広い視野で天体を観測できるため、X線トランジェントを検出するのに理想的なモニターである。 ロブスター望遠鏡で得られた画像は、独自の点拡散関数によって修正されるため、高効率な目標検出アルゴリズムを設計することは困難である。 本稿では,ロブスター望遠鏡で得られたデータに対するターゲット検出フレームワークを構築するために,複数の機械学習アルゴリズムを統合する。
  論文  参考訳（メタデータ） (2022-12-11T13:10:44Z)
• A 3-stage Spectral-spatial Method for Hyperspectral Image Classification [2.28438857884398]
  ハイパースペクトル画像中の画素の分類に空間情報とスペクトル情報の両方を利用する新しいフレームワークを提案する。 6つのベンチマークハイパースペクトルデータセット上での3つの最先端アルゴリズムに対する本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-04-20T08:23:05Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• A Novel Spatial-Spectral Framework for the Classification of Hyperspectral Satellite Imagery [1.066048003460524]
  本研究では,土地被覆分類データに含まれるスペクトル情報と空間情報の両方を考慮に入れた新しい枠組みを提案する。 提案手法は,パヴィア大学とインド・パインズのデータセットでそれぞれ99.52%,98.31%の精度を達成し,従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-07-22T16:12:08Z)

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。