論文の概要: Analytical Logit Scaling for High-Resolution Sea Ice Topology Retrieval from Weakly Labeled SAR Imagery

• arxiv url: http://arxiv.org/abs/2603.13573v1
• Date: Fri, 13 Mar 2026 20:21:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.28134
• Title: Analytical Logit Scaling for High-Resolution Sea Ice Topology Retrieval from Weakly Labeled SAR Imagery
• Title（参考訳）: SAR画像からの高分解能海氷トポロジー検索のための分析ロジットスケーリング
• Authors: Reda Elwaradi, Julien Gimenez, Stéphane Hordoir, Mehdi Ait Hamma, Adrien Chan-Hon-Tong, Flora Weissgerber,
• Abstract要約: 高解像度の海氷マッピングは北極航法と気候モニタリングに不可欠である。 粗い地域レベルの多角形(弱いラベル)のみを提供する運用用氷チャート 本研究では,Sentinel-1 SAR と AMSR-2 を融合した弱教師付き深層学習パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 1.6984114279983211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution sea ice mapping using Synthetic Aperture Radar (SAR) is crucial for Arctic navigation and climate monitoring. However, operational ice charts provide only coarse, region-level polygons (weak labels), forcing automated segmentation models to struggle with pixel-level accuracy and often yielding under-confident, blurred concentration maps. In this paper, we propose a weakly supervised deep learning pipeline that fuses Sentinel-1 SAR and AMSR-2 radiometry data using a U-Net architecture trained with a region-based loss. To overcome the severe under-confidence caused by weak labels, we introduce an Analytical Logit Scaling method applied post-inference. By dynamically calculating the temperature and bias based on the latent space percentiles (2\% and 98\%) of each scene, we force a physical binarization of the predictions. This adaptive scaling acts as a topological extractor, successfully revealing fine-grained sea ice fractures (leads) at a 40-meter resolution without requiring any manual pixel-level annotations. Our approach not only resolves local topology but also perfectly preserves regional macroscopic concentrations, achieving a 78\% accuracy on highly fragmented summer scenes, thereby bridging the gap between weakly supervised learning and high-resolution physical segmentation.
• Abstract（参考訳）: SAR(Synthetic Aperture Radar)を用いた高分解能海氷マッピングは北極航法と気候モニタリングに不可欠である。 しかし、オペレーショナルアイスチャートは、粗い領域レベルのポリゴン(弱ラベル)のみを提供し、自動セグメンテーションモデルはピクセルレベルの精度に苦しむことを余儀なくされ、しばしば不確実でぼやけた濃度マップを生成する。 本稿では,センサ1 SAR と AMSR-2 を融合した弱い教師付き深層学習パイプラインを提案する。 弱いラベルによる重大信頼度を克服するために,分析ロジットスケーリング法を適用した。 各シーンの潜時空間パーセンタイル(2\%および98\%)に基づいて温度とバイアスを動的に計算することにより、予測の物理的二項化を強制する。 この適応的なスケーリングは、トポロジカルな抽出器として機能し、手動のピクセルレベルのアノテーションを必要とせず、40メートルの解像度できめ細かい海氷の破片(葉)を明らかにすることに成功した。 本手法は局所的な地形を解明するだけでなく, 局所的なマクロな濃度を完全保存し, 高度に断片化した夏場において78倍の精度を達成し, 弱教師付き学習と高解像度物理セグメンテーションのギャップを埋める。

関連論文リスト

• Geographically-Weighted Weakly Supervised Bayesian High-Resolution Transformer for 200m Resolution Pan-Arctic Sea Ice Concentration Mapping and Uncertainty Estimation using Sentinel-1, RCM, and AMSR2 Data [0.6138671548064355]
  本研究では,200m級高分解能SICマッピングのための新しい高分解能トランスフォーマ手法を提案する。 提案手法は2021年と2025年にパン・アルクティック最小限条件下で評価された。 その結果,Sentinel-1データを用いた0.70の総合的特徴検出精度が得られた。
  論文  参考訳（メタデータ） (2026-03-03T20:23:11Z)
• 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)
• Region-level labels in ice charts can produce pixel-level segmentation for Sea Ice types [12.480532138980834]
  本報告では,海氷分類のための弱教師付き学習法について,専門家による注釈付き氷チャートから低解像度ラベルを用いた。 提案手法は,全教師付きU-Netベンチマークにおいて,マッピングの精度とクラスワイドの精度を両立させる。
  論文  参考訳（メタデータ） (2024-05-16T21:54:33Z)
• EvaNet: Elevation-Guided Flood Extent Mapping on Earth Imagery (Extended Version) [11.820388725641312]
  EvaNetはエンコーダ・デコーダアーキテクチャに基づく標高誘導セグメンテーションモデルである。 これは、洪水範囲マッピングのための既存のソリューションにおいて、U-Netの完全なドロップイン代替として機能する。
  論文  参考訳（メタデータ） (2024-04-27T14:10:09Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• On the Importance of Feature Representation for Flood Mapping using Classical Machine Learning Approaches [3.555368338253582]
  地球観測データに基づく洪水の浸水マッピングは、洪水の影響を受けた地域を、ほぼリアルタイムで緊急救助隊に、安価で正確な地図を提供するのに役立つ。 本稿では,勾配向上決定木,支持ベクトルマシン,二次判別分析など,従来の5つの機械学習手法の可能性について検討する。 これまでに報告した0.8751と0.7031のIoU値を0.70と0.5873と比較すると、単純な勾配増強分類器はディープニューラルネットワークに基づくアプローチよりも大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2023-03-01T17:39:08Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。