論文の概要: Satellite-Based Detection of Looted Archaeological Sites Using Machine Learning

• arxiv url: http://arxiv.org/abs/2602.19608v1
• Date: Mon, 23 Feb 2026 08:50:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.734657
• Title: Satellite-Based Detection of Looted Archaeological Sites Using Machine Learning
• Title（参考訳）: 機械学習による屋根付き遺跡の衛星による検出
• Authors: Girmaw Abebe Tadesse, Titien Bartette, Andrew Hassanali, Allen Kim, Jonathan Chemla, Andrew Zolli, Yves Ubelmann, Caleb Robinson, Inbal Becker-Reshef, Juan Lavista Ferres,
• Abstract要約: 我々は、略奪された遺跡を検出するために、スケーラブルで衛星ベースのパイプラインを提示する。 我々は、PlanetScopeの月次モザイクと、アフガニスタンの1,943の考古学遺跡のキュレートされたデータセットを使用します。
• 参考スコア（独自算出の注目度）: 6.328778011578591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Looting at archaeological sites poses a severe risk to cultural heritage, yet monitoring thousands of remote locations remains operationally difficult. We present a scalable and satellite-based pipeline to detect looted archaeological sites, using PlanetScope monthly mosaics (4.7m/pixel) and a curated dataset of 1,943 archaeological sites in Afghanistan (898 looted, 1,045 preserved) with multi-year imagery (2016--2023) and site-footprint masks. We compare (i) end-to-end CNN classifiers trained on raw RGB patches and (ii) traditional machine learning (ML) trained on handcrafted spectral/texture features and embeddings from recent remote-sensing foundation models. Results indicate that ImageNet-pretrained CNNs combined with spatial masking reach an F1 score of 0.926, clearly surpassing the strongest traditional ML setup, which attains an F1 score of 0.710 using SatCLIP-V+RF+Mean, i.e., location and vision embeddings fed into a Random Forest with mean-based temporal aggregation. Ablation studies demonstrate that ImageNet pretraining (even in the presence of domain shift) and spatial masking enhance performance. In contrast, geospatial foundation model embeddings perform competitively with handcrafted features, suggesting that looting signatures are extremely localized. The repository is available at https://github.com/microsoft/looted_site_detection.
• Abstract（参考訳）: 考古学的遺跡の略奪は文化遺産に深刻なリスクをもたらすが、数千の遠隔地を監視することは操作的に困難である。 我々は、PlanetScopeの月間モザイク(4.7m/ピクセル)と、多年にわたる画像(2016年-2023年)とサイトフットプリントマスクによるアフガニスタンの1,943件の考古学遺跡(898件の略奪、1,045件の保存)のキュレートデータセットを用いて、略奪された遺跡を検出するためのスケーラブルで衛星ベースのパイプラインを提示する。 比較 (i)生のRGBパッチで訓練されたエンドツーエンドCNN分類器 (II) 従来の機械学習(ML)は、手作りのスペクトル/テクスチャの特徴と最近のリモートセンシング基盤モデルからの埋め込みを訓練している。 その結果,SatCLIP-V+RF+Meanを用いてF1スコアを0.710に到達し,空間マスキングを併用した画像Net-pretrained CNNのF1スコアが0.926に達し,従来のMLセットアップよりも明らかに上回った。 アブレーション研究により、画像ネットの事前トレーニング(ドメインシフトがあっても)と空間マスキングによって性能が向上することが示されている。 対照的に、地理空間モデル埋め込みは手作りの特徴と競合し、略奪的シグネチャが極端に局所化されていることを示唆している。 リポジトリはhttps://github.com/microsoft/looted_site_detectionで公開されている。

関連論文リスト

• DeepAndes: A Self-Supervised Vision Foundation Model for Multi-Spectral Remote Sensing Imagery of the Andes [9.910207380627492]
  我々は,3千万個のマルチスペクトル衛星画像に基づいてトレーニングされた視覚基盤モデルであるDeepAndesを紹介する。 不均衡な画像分類、画像インスタンス検索、画素レベルのセマンティックセマンティックセグメンテーションタスクによる画像理解性能の評価を行った。 実験の結果,DeepAndesはF1スコア,平均精度,Diceスコアを数ショットの学習シナリオで達成できることがわかった。
  論文  参考訳（メタデータ） (2025-04-28T23:15:09Z)
• Enhancing kelp forest detection in remote sensing images using crowdsourced labels with Mixed Vision Transformers and ConvNeXt segmentation models [0.0]
  本研究では,クラウドソースラベルと高度な人工知能モデルを統合することにより,高速かつ高精度なケルプキャノピー検出パイプラインを開発する。 この手法は高い検出率を達成し、ケルプキャノピーを含む4ピクセル中3ピクセルを正確に同定した。 この研究は、機械学習モデルとクラウドソーシングデータを組み合わせることで、効果的でスケーラブルな環境モニタリングを可能にする可能性をも示している。
  論文  参考訳（メタデータ） (2025-01-23T12:12:31Z)
• Detecting Looted Archaeological Sites from Satellite Image Time Series [29.881103145285252]
  このデータセットは、アフガニスタンの675の遺跡で8年以上にわたって月55,480枚の画像が収集された多時期リモートセンシングデータセットである。 トレーニングサンプルの数が限られていること、クラス不均衡、弱いバイナリアノテーションが時系列のレベルでのみ利用できるため、特にデータセットネームは難しいです。 ベースラインの集合を多数評価し,基礎モデルを用いることによる実質的なメリットを概説し,単一の画像ではなく,完全な時系列を用いて提供できる追加の強化を示す。
  論文  参考訳（メタデータ） (2024-09-14T13:13:33Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Multi-Label Classification on Remote-Sensing Images [0.0]
  本報告は、アマゾン熱帯雨林の衛星画像チップに、さまざまな機械学習モデルと優れたディープラーニングモデルを通して、大気および様々な土地被覆や土地利用のクラスをラベル付けすることを目的としている。 今までのベストスコアは、F2測定値が0.927である。
  論文  参考訳（メタデータ） (2022-01-06T08:42:32Z)
• BossNAS: Exploring Hybrid CNN-transformers with Block-wisely Self-supervised Neural Architecture Search [100.28980854978768]
  BossNAS(Block-wisely Self-supervised Neural Architecture Search)の紹介 探索空間をブロックに分類し、アンサンブルブートストラッピングと呼ばれる新しい自己教師型トレーニングスキームを用いて各ブロックを個別に訓練する。 また,検索可能なダウンサンプリング位置を持つファブリック型cnnトランスフォーマ検索空間であるhytra search spaceを提案する。
  論文  参考訳（メタデータ） (2021-03-23T10:05:58Z)
• Towards Accurate Pixel-wise Object Tracking by Attention Retrieval [50.06436600343181]
  本稿では,バックボーンの特徴に対するソフト空間制約を実現するために,アテンション検索ネットワーク(ARN)を提案する。 私たちは40fpsで動作しながら、最近のピクセルワイドオブジェクトトラッキングベンチマークであるVOT 2020に最先端のベンチマークを新たに設定しました。
  論文  参考訳（メタデータ） (2020-08-06T16:25:23Z)
• R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
  我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。 我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
  論文  参考訳（メタデータ） (2016-05-20T15:50:11Z)

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。