論文の概要: Uncertainty-Aware Test-Time Adaptation for Cross-Region Spatio-Temporal Fusion of Land Surface Temperature

• arxiv url: http://arxiv.org/abs/2604.04153v1
• Date: Sun, 05 Apr 2026 15:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.94715
• Title: Uncertainty-Aware Test-Time Adaptation for Cross-Region Spatio-Temporal Fusion of Land Surface Temperature
• Title（参考訳）: 地表面温度のクロスリージョン時核融合のための不確実性を考慮したテスト時間適応
• Authors: Sofiane Bouaziz, Adel Hafiane, Raphael Canals, Rachid Nedjai,
• Abstract要約: ディープラーニングモデルにおけるドメインシフトの解決策として、テスト時適応(TTA)が登場している。 本稿では,事前学習したSTFモデルの融合モジュールのみを更新する不確実性を考慮したTTAフレームワークを提案する。 イタリアではローマ、エジプトではカイロ、スペインではマドリード、フランスのモンペリエの4つの実験は、一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 2.3274138116397736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have shown great promise in diverse remote sensing applications. However, they often struggle to generalize across geographic regions unseen during training due to domain shifts. Domain shifts occur when data distributions differ between the training region and new target regions, due to variations in land cover, climate, and environmental conditions. Test-time adaptation (TTA) has emerged as a solution to such shifts, but existing methods are primarily designed for classification and are not directly applicable to regression tasks. In this work, we address the regression task of spatio-temporal fusion (STF) for land surface temperature estimation. We propose an uncertainty-aware TTA framework that updates only the fusion module of a pre-trained STF model, guided by epistemic uncertainty, land use and land cover consistency, and bias correction, without requiring source data or labeled target samples. Experiments on four target regions with diverse climates, namely Rome in Italy, Cairo in Egypt, Madrid in Spain, and Montpellier in France, show consistent improvements in RMSE and MAE for a pre-trained model in Orléans, France. The average gains are 24.2% and 27.9%, respectively, even with limited unlabeled target data and only 10 TTA epochs.
• Abstract（参考訳）: 深層学習モデルは多様なリモートセンシングアプリケーションにおいて大きな可能性を秘めている。 しかし、ドメインシフトによってトレーニング中に見つからない地域をまたいだ一般化に苦慮することが多い。 ドメインシフトは、土地被覆、気候、環境条件の変化により、トレーニング地域と新しいターゲット地域の間でデータ分布が異なる場合に発生する。 テスト時間適応(TTA)はそのようなシフトの解決策として登場したが、既存の手法は主に分類用に設計されており、回帰タスクには直接適用されない。 本研究では,地表面温度推定のための時空間融合(STF)の回帰課題に対処する。 本研究では,事前学習したSTFモデルの融合モジュールのみを更新する不確実性を考慮したTTAフレームワークを提案する。 イタリアではローマ、エジプトではカイロ、スペインではマドリード、フランスのモンペリエの4地域で実験が行われ、フランスのオルレアンで事前訓練されたモデルでRMSEとMAEが一貫した改善が見られた。 平均ゲインはそれぞれ24.2%と27.9%で、ラベルなしのターゲットデータに制限があり、TTAのエポックはわずか10である。

関連論文リスト

• SAFE: A Novel Approach to AI Weather Evaluation through Stratified Assessments of Forecasts over Earth [18.705966042259405]
  地球上の予測の成層的評価(英: Stratified Assessments of Forecasts over Earth、SAFE)は、地球上で行われる一連の予測の成層的性能を解明するためのパッケージである。 SAFEはさまざまなデータドメインを統合して、地理空間グリッドポイントに関連するさまざまな属性を階層化する。 その重要性を示すために、SAFEを使用して、最先端のAIベースの天気予報モデルの動物園をベンチマークする。
  論文  参考訳（メタデータ） (2025-10-30T03:22:55Z)
• Fourier Domain Adaptation for Traffic Light Detection in Adverse Weather [1.1411980034550504]
  悪天候下での交通光検出は、ADASシステムでは未発見のままである。 本稿では、アーキテクチャの変更なしにデータ修正をトレーニングすることのみを必要とするフーリエドメイン適応(FDA)を提案する。 FDAは、ソースとターゲットドメイン間のドメインギャップを最小化し、悪天候下で信頼性の高いパフォーマンスのためのデータセットを作成する。
  論文  参考訳（メタデータ） (2024-11-12T16:15:25Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
  LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。 事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。 LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:02:15Z)
• Diffusion Model-based Probabilistic Downscaling for 180-year East Asian Climate Reconstruction [8.132450337453525]
  本稿では,拡散確率的ダウンスケーリングモデル(DPDM)を気象分野に導入する。 このモデルは、データを1degから0.1degに効率的に変換することができる。 東アジアにおける月次表面変数の180年間のデータセットを生成するために,本モデルを適用した。
  論文  参考訳（メタデータ） (2024-02-02T01:34:33Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• TimeMatch: Unsupervised Cross-Region Adaptation by Temporal Shift Estimation [5.027714423258537]
  TimeMatchは、時間シフトを直接考慮した、SITSのための新しい教師なしドメイン適応手法である。 TimeMatchは5つの異なる適応シナリオでF1スコアで競合するメソッドを11%上回っている。 欧州の4つの異なる地域からのSITSを用いた地域間適応のためのオープンアクセスデータセットを提案する。
  論文  参考訳（メタデータ） (2021-11-04T08:32:59Z)
• On Universal Black-Box Domain Adaptation [53.7611757926922]
  実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。 ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。 対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
  論文  参考訳（メタデータ） (2021-04-10T02:21:09Z)
• Meta-Learning for Few-Shot Land Cover Classification [3.8529010979482123]
  分類タスクとセグメンテーションタスクにおけるモデル非依存メタラーニング(MAML)アルゴリズムの評価を行った。 数発のモデル適応は,正規勾配降下による事前学習よりも優れていた。 これは、メタラーニングによるモデル最適化が地球科学におけるタスクの恩恵をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2020-04-28T09:42:41Z)

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。