論文の概要: A Novel Graph-Regulated Disentangling Mamba Model with Sparse Tokens for Enhanced Tree Species Classification from MODIS Time Series
- arxiv url: http://arxiv.org/abs/2605.05549v1
- Date: Thu, 07 May 2026 00:53:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.46627
- Title: A Novel Graph-Regulated Disentangling Mamba Model with Sparse Tokens for Enhanced Tree Species Classification from MODIS Time Series
- Title（参考訳）: MODIS時系列から樹種分類を向上するスパルストークンを用いたグラフ制御型ディエンタングリングマンバモデル
- Authors: Motasem Alkayid, Zhengsen Xu, Saeid Taleghanidoozdoozan, Yimin Zhu, Megan Greenwood, Quinn Ledingham, Zack Dewis, Mabel Heffring, Naser El-Sheimy, Lincoln Linlin Xu,
- Abstract要約: 本稿では,木種分類の強化を目的としたグラフ制御分散マンバモデル(GDS-Mamba)を提案する。
カナダの2つの州(アルバータ州とサスカチュワン州)にまたがる大規模なMOD13Q1データを用いた実験では、全体の精度は93.94%に達した。
- 参考スコア（独自算出の注目度）: 2.464907600318685
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although tree species classification from Moderate Resolution Imaging Spectroradiometer (MODIS) time series data is critical for supporting various environmental applications, it is a challenging task due to several key difficulties: the subtle signature differences among tree species, strong spatial-spectral-temporal information coupling, and the difficulty of modeling large-scale topological context information. To better address these challenges, this paper presents a novel Graph-regulated Disentangled Sparse Mamba model (GDS-Mamba) for enhanced tree species classification, with the following contributions. (1) First, to improve large-scale context modeling, we design a mini-batch graph-regulated approach that explicitly explores topological correlation effects among input images. (2) Second, to disentangle the high-dimensional spatial-spectral-temporal information coupling for improved feature extraction, we propose a novel disentangling Mamba architecture tailored for capturing independent spatial patterns, spectral signatures, and temporal phenology behaviors in MODIS time series. (3) Third, to improve efficiency and subtle feature learning, we design novel sparse token approaches that adaptively learn the optimum subset of tokens to better address the correlation decay problem that bottlenecks standard Mamba models. Extensive experiments using large-scale annual MOD13Q1 data across two Canadian provinces (i.e., Alberta and Saskatchewan) achieved an overall accuracy of 93.94\% in Alberta and 80.19\% in cross-provincial evaluations, outperforming twelve state-of-the-art classification models.
- Abstract（参考訳）: MoDIS 時系列データからの木種分類は,様々な環境応用を支援する上で重要であるが,木種間の微妙な特徴差,強い空間-時空間情報結合,大規模地形情報モデリングの難しさなど,いくつかの重要な課題がある。
これらの課題に対処するため,本論文では,木種分類の強化を目的としたグラフ制御分散マンバモデル(GDS-Mamba)を提案する。
まず,大規模コンテキストモデリングを改善するために,入力画像間のトポロジ的相関効果を明確に探求するミニバッチグラフ制御手法を設計する。
2) 特徴抽出を改善するために高次元空間-時空間情報結合をアンタングル化するために,MODIS 時系列における独立した空間パターン,スペクトルシグネチャ,時間的表現の振る舞いを捉えるのに適した,新しいアンタングリング・マンバアーキテクチャを提案する。
第三に、効率性と微妙な特徴学習を改善するために、標準的なマンバモデルをボトルネックにする相関減衰問題に対処するために、トークンの最適部分集合を適応的に学習する新しいスパーストークンアプローチを設計する。
カナダの2つの州(アルバータ州とサスカチュワン州)にまたがる大規模なMOD13Q1データを用いた大規模な実験は、アルバータ州では93.94\%、州横断評価では80.19\%の精度を達成し、12の最先端分類モデルを上回った。
関連論文リスト
- Unmixing-Guided Spatial-Spectral Mamba with Clustering Tokens for Hyperspectral Image Classification [2.1741810474011047]
本文は、HSI分類を改善するために、クラスタリングトークンを備えた新規な混合誘導型空間分光マンバを提示する。
パターン発見を改善するために,HSIのスペクトル混合効果を阻害するために,新しいスペクトル混合ネットワークを設計する。
本研究では,多元写像で定義されたクラスタに基づいて,マンバトークン列を生成するため,効率的なTop-textitKトークン選択戦略を設計する。
第3に、Top-textitKトークンシーケンスに基づいて、空間スペクトルの特徴学習と詳細保存を改善するために、新しい未混合誘導空間スペクトルマンバモジュールを設計する。
論文 参考訳（メタデータ） (2026-04-10T22:56:49Z) - MambaMIL+: Modeling Long-Term Contextual Patterns for Gigapixel Whole Slide Image [24.093388981091717]
多重インスタンス学習(MIL)は、各WSIをパッチレベルのインスタンスの袋として扱うことでソリューションを提供する。
Mambaは長いシーケンス学習のための有望な代替手段として登場し、数千のトークンに線形にスケーリングしている。
長距離依存性モデリングを維持しながら空間コンテキストを明示的に統合する新しいMILフレームワークであるMambaMIL+を提案する。
論文 参考訳（メタデータ） (2025-12-19T16:01:14Z) - Spatio-Temporal Graph Unlearning [11.249016471516398]
CallosumNetは、コーパス・カロサム構造にインスパイアされた分割およびブリッジングS時間グラフアンラーニングフレームワークである。
CallosumNetは、ゴールドモデルに比べて1%-2%のMAE損失しか得られない完全なアンラーニングを実現している。
論文 参考訳（メタデータ） (2025-11-12T15:17:16Z) - Mamba-Driven Topology Fusion for Monocular 3D Human Pose Estimation [41.14182025718559]
本研究では,マンバ駆動トポロジフュージョンによる3次元ポーズ推定手法を提案する。
具体的には,提案した骨認識モジュールは球面座標系における骨ベクトルの方向と長さを推定する。
また、シーケンス内の時間的関係と空間的関係の両方をモデル化する時空間リファインメントモジュールを設計する。
論文 参考訳（メタデータ） (2025-05-27T01:21:57Z) - SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。
SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。
以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-08-21T09:12:59Z) - DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-08-13T15:21:46Z) - Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。
本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
論文 参考訳（メタデータ） (2022-09-01T10:46:09Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - Disentangling and Unifying Graph Convolutions for Skeleton-Based Action
Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。
これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-03-31T11:28:25Z)
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。