論文の概要: Sequential Feature Selection for Efficient Landslide Segmentation from Multi-Spectral Data
- arxiv url: http://arxiv.org/abs/2605.09746v1
- Date: Sun, 10 May 2026 20:46:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.401537
- Title: Sequential Feature Selection for Efficient Landslide Segmentation from Multi-Spectral Data
- Title（参考訳）: 多スペクトルデータを用いた高効率地すべりセグメンテーションの逐次特徴選択
- Authors: Arsalaan Ahmad, Oktay Karakus, Paul L. Rosin,
- Abstract要約: 我々はLandslide4Senseベンチマークのための体系的で説明可能なチャネル選択フレームワークを提案する。
選択プロセス自体を用いて、どのスペクトルと地形の特徴が実際に地すべりモデルに依存しているのかを問う。
- 参考スコア（独自算出の注目度）: 11.492586251999429
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Landslide detection from satellite imagery has advanced through deep learning, yet most models rely on large, highly correlated spectral-topographic inputs whose contributions remain poorly understood. The question of which channels are actually necessary has received surprisingly little attention. This matters: redundant or correlated inputs obscure physical interpretability, inflate computational overhead, and can actively degrade model performance through the Hughes Phenomenon. We present a systematic, explainable channel-selection framework for the Landslide4Sense benchmark, combining Sentinel-2 multispectral and ALOS PALSAR terrain data with 16 engineered spectral and structural indices. Rather than relying on conventional single-band drop tests, which evaluate channels in isolation and miss interaction effects, we apply Sequential Forward Floating Selection (SFFS) to iteratively build and prune a candidate feature pool using a lightweight U-Net++ proxy model. Beyond identifying a compact 8-channel subset that matches or exceeds the segmentation F1 of configurations using up to 30 channels, we use the selection process itself to interrogate which spectral and topographic features landslide models genuinely rely on, and what this reveals about the physical cues driving their predictions. We argue that SFFS represents a principled feature selection approach to input design in Earth observation, in contrast to the prevailing practice of appending every available band and hoping the model learns what to ignore.
- Abstract（参考訳）: 衛星画像からの地すべり検出は深層学習を通じて進んでいるが、ほとんどのモデルは大きなスペクトル-地形入力に依存しており、その寄与はよく分かっていない。
どのチャンネルが必要かという問題は驚くほど注目されていない。
冗長または相関的な入力は、不明瞭な物理的解釈可能性を示し、計算オーバーヘッドを増大させ、ヒューズ現象を通じてモデル性能を積極的に低下させることができる。
我々は、Sentinel-2マルチスペクトルとALOS PALSAR地形データと16のエンジニアリングされたスペクトルおよび構造指標を組み合わせた、Landslide4Senseベンチマークのための体系的で説明可能なチャネル選択フレームワークを提案する。
従来のシングルバンドドロップテストに頼らず、チャンネルを分離し、インタラクション効果を見逃すことなく、Sequential Forward Floating Selection(SFFS)を適用して、軽量なU-Net++プロキシモデルを使用して、候補機能プールを反復的に構築し、実行します。
最大30個のチャネルを用いて構成のセグメンテーションF1に一致するあるいは超えるコンパクトな8チャンネルサブセットを識別する以外に、選択プロセス自体を用いて、どのスペクトル特徴と地形特徴が実際にどの地すべりモデルに依存しているのかを問う。
SFFSは、地球観測における入力設計の原則的特徴選択手法であり、利用可能なすべてのバンドを付加し、モデルを無視すべきことを期待するという一般的な実践とは対照的である。
関連論文リスト
- Frequency-Enhanced Dual-Subspace Networks for Few-Shot Fine-Grained Image Classification [6.738210148449625]
微粒化の少ない画像分類は,注釈付きサンプルの限られた数だけを用いて,視覚的類似度の高いサブカテゴリを認識することを目的としている。
既存のメトリック学習ベースの手法は、通常、空間的領域の特徴のみに依存する。
本稿では、周波数拡張デュアルサブスペースネットワーク(FEDSNet)を提案する。
論文 参考訳（メタデータ） (2026-04-16T12:54:29Z) - CP Loss: Channel-wise Perceptual Loss for Time Series Forecasting [67.3477355449697]
時系列データに対するチャネルワイド知覚損失(CP損失)を提案する。
我々は,その特性に適応した各チャネルに対して,独自の知覚空間を学習する。
これらの知覚空間内で損失を計算し、モデルを最適化する。
論文 参考訳（メタデータ） (2026-01-25T15:31:37Z) - DisentangleFormer: Spatial-Channel Decoupling for Multi-Channel Vision [10.378378296066305]
視覚変換器は基本的な限界に直面し、標準的な自己認識は空間次元とチャネル次元を共同で処理する。
本研究では,空間チャネルの分離を原理として,堅牢な多チャンネル視覚表現を実現するアーキテクチャであるDisentangleFormerを提案する。
パラレル・ディスタングルメント(Parallel Disentanglement): 空間的およびスペクトル的次元にわたる非相関的な特徴学習を可能にする、空間的およびスペクトル的なストリームを独立に処理する、(2) Squeezed Token Enhancer: 空間的およびチャネル的ストリームを動的に融合する適応キャリブレーションモジュール、(3) マルチスケールFFN: グローバルな注目とマルチスケールローカルコンテキストを補完する、3つのコアコンポーネントを統合した。
論文 参考訳（メタデータ） (2025-12-03T23:03:56Z) - Textual interpretation of transient image classifications from large language models [0.0]
大規模言語モデル(LLM)は、3つの光過渡的なサーベイデータセット上での畳み込みニューラルネットワークのパフォーマンスレベルにアプローチすることができる。
GoogleのLLMであるGeminiは、さまざまな解像度とピクセルスケールにまたがるデータセットの平均精度を93%達成している。
論文 参考訳（メタデータ） (2025-10-08T12:12:46Z) - Towards Scalable Foundation Model for Multi-modal and Hyperspectral Geospatial Data [14.104497777255137]
本稿では,3つのイノベーションを取り入れた高効率空間スペクトル変換器について紹介する。
位置マスキングとチャネルマスキングを統合したHyperspectral Masked Autoencoderフレームワークを用いたLESS ViTの事前訓練を行った。
実験により, 提案手法は, 最先端のマルチモーダル地空間基盤モデルと競合する性能を示す。
論文 参考訳（メタデータ） (2025-03-17T05:42:19Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Dual Attention U-Net with Feature Infusion: Pushing the Boundaries of
Multiclass Defect Segmentation [1.487252325779766]
提案アーキテクチャであるDual Attentive U-Net with Feature Infusion (DAU-FI Net)はセマンティックセグメンテーションにおける課題に対処する。
DAU-FI Netは、複数スケールの空間チャネルアテンション機構と特徴注入を統合し、オブジェクトのローカライゼーションの精度を高める。
挑戦的な下水道管と、欠陥データセットと、DAU-FI Netの能力を検証したベンチマークデータセットに関する総合的な実験。
論文 参考訳（メタデータ） (2023-12-21T17:23:49Z) - Linking data separation, visual separation, and classifier performance
using pseudo-labeling by contrastive learning [125.99533416395765]
最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。
本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
論文 参考訳（メタデータ） (2023-02-06T10:01:38Z) - Spatial-Temporal Frequency Forgery Clue for Video Forgery Detection in
VIS and NIR Scenario [87.72258480670627]
既存の周波数領域に基づく顔偽造検出手法では、GAN鍛造画像は、実際の画像と比較して、周波数スペクトルに明らかな格子状の視覚的アーチファクトを持つ。
本稿では,コサイン変換に基づくフォージェリークリュー拡張ネットワーク(FCAN-DCT)を提案し,より包括的な時空間特徴表現を実現する。
論文 参考訳（メタデータ） (2022-07-05T09:27:53Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳（メタデータ） (2021-04-15T14:32:12Z) - Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。
私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
論文 参考訳（メタデータ） (2021-01-19T03:08:03Z)
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。