論文の概要: Coarse-to-Fine Domain Incremental Learning with Attentive Distillation for Mining Footprint Segmentation in Multispectral Imagery
- arxiv url: http://arxiv.org/abs/2605.24460v2
- Date: Thu, 28 May 2026 10:41:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:54.629027
- Title: Coarse-to-Fine Domain Incremental Learning with Attentive Distillation for Mining Footprint Segmentation in Multispectral Imagery
- Title（参考訳）: マルチスペクトル画像における足跡分節抽出のための注意蒸留による粗大なドメイン増分学習
- Authors: Alif Tri Handoyo, Vincent C. S. Lee, Rizka Widyarini Purwanto, Alex M. Lechner, Deanna Kemp, Muhamad Risqi U. Saputra,
- Abstract要約: 粗大なドメインインクリメンタル学習フレームワークであるMineC2FNetを提案する。
MineC2FNetは、粗いデータを多用し、きめ細かいマイニングフットプリントのセグメンテーションを強化する。
正確な境界アノテーションを持つ219個の画像の専門的検証データセットを導入する。
- 参考スコア（独自算出の注目度）: 3.6675319229781405
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatically mapping and segmenting global mining footprints using remote sensing and deep learning is critical for monitoring the socio-environmental risks and impacts of mining, yet its progress is hindered by the scarcity of fine-grained annotated data. Although large-scale datasets with coarse boundaries are widely available, leveraging them to improve fine-grained segmentation is challenging due to significant domain shift. To address this, we propose MineC2FNet, a coarse-to-fine domain incremental learning framework that exploits abundant coarse data to enhance fine-grained mining footprint segmentation. MineC2FNet adopts a teacher-student architecture with attentive distillation at both the feature and prediction levels, selectively transferring generalized knowledge from the coarse domain while enabling boundary refinement using limited fine-grained data (fine domain). We further introduce an expertly validated dataset of 219 images with precise boundary annotations across diverse geographies and commodities. Extensive experiments against state-of-the-art approaches, including domain adaptation and domain incremental learning methods, demonstrate that MineC2FNet achieves superior performance while effectively handling domain shift. The dataset and code are publicly available at https://github.com/risqiutama/MineC2FNet.
- Abstract（参考訳）: リモートセンシングと深層学習による地球規模の採掘足跡の自動マッピングとセグメンテーションは、鉱業の社会環境リスクや影響をモニタリングするために重要であるが、その進歩は微粒なアノテートデータの不足によって妨げられている。
粗いバウンダリを持つ大規模データセットは広く利用可能だが、ドメインシフトが大きいため、きめ細かいセグメンテーションを改善するためにそれらを活用することは困難である。
そこで本研究では,マイニングフットプリントのきめ細かなセグメンテーションを強化するために,大量の粗いデータを活用するドメインインクリメンタルラーニングフレームワークであるMineC2FNetを提案する。
MineC2FNetは、特徴量と予測レベルの両方で注意深い蒸留を行い、粗い領域から一般化された知識を選択的に転送し、限られたきめ細かいデータ(きめ細かい領域)を使用して境界の洗練を可能にする。
さらに,多種多様な地理的・商品にまたがる正確な境界アノテーションを持つ219個の画像の専門的に検証されたデータセットについても紹介する。
ドメイン適応とドメインインクリメンタルな学習方法を含む最先端アプローチに対する大規模な実験は、MineC2FNetがドメインシフトを効果的に処理しながら優れたパフォーマンスを達成することを実証している。
データセットとコードはhttps://github.com/risqiutama/MineC2FNetで公開されている。
関連論文リスト
- Improving Multimodal Distillation for 3D Semantic Segmentation under Domain Shift [62.50795372173394]
我々は,ライダーポイント雲のセマンティックセグメンテーションのための教師なし領域適応において,視覚基盤モデル(VFM)を利用したレシピの同定を行う。
その結果、パイプラインは4つの広く認識され、困難な設定で、最先端の結果を達成する。
論文 参考訳（メタデータ） (2025-11-21T17:57:43Z) - DIDS: Domain Impact-aware Data Sampling for Large Language Model Training [61.10643823069603]
大規模言語モデルに対するドメインインパクト対応データサンプリング(DIDS)を提案する。
学習効果に基づくDIDSグループトレーニングデータでは、プロキシ言語モデルと次元削減が使用される。
同等のトレーニング効率を維持しながら平均パフォーマンスを3.4%向上させる。
論文 参考訳（メタデータ） (2025-04-17T13:09:38Z) - A Deep Learning Framework for Boundary-Aware Semantic Segmentation [9.680285420002516]
本研究では境界拡張機能ブリッジングモジュール(BEFBM)を用いたMask2Formerに基づくセマンティックセマンティックセマンティクスアルゴリズムを提案する。
提案手法は,mIOU,mDICE,mRecallなどのメトリクスを大幅に改善する。
ビジュアル分析は、きめ細かい領域におけるモデルの利点を裏付ける。
論文 参考訳（メタデータ） (2025-03-28T00:00:08Z) - Knowledge Transfer and Domain Adaptation for Fine-Grained Remote Sensing Image Segmentation [11.268182306510802]
そこで本研究では,知識指導とドメイン改良を組み合わせたエンド・ツー・エンドの学習パラダイムを導入し,性能向上を図る。
FAM(Feature Alignment Module)とFMM(FeatureModulation Module)の2つの重要なコンポーネントを提示する。
実験により,本手法は草地データセットでは2.57 mIoU,クラウドデータセットでは3.73 mIoUの大幅な改善が得られた。
論文 参考訳（メタデータ） (2024-12-09T17:01:42Z) - Domain Expansion and Boundary Growth for Open-Set Single-Source Domain Generalization [70.02187124865627]
オープンソースの単一ソースドメインの一般化は、単一のソースドメインを使用して、未知のターゲットドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。
本稿では,領域拡大と境界成長に基づく新しい学習手法を提案する。
提案手法は,いくつかの領域横断画像分類データセットにおいて,大幅な改善と最先端性能を実現することができる。
論文 参考訳（メタデータ） (2024-11-05T09:08:46Z) - SiamSeg: Self-Training with Contrastive Learning for Unsupervised Domain Adaptation Semantic Segmentation in Remote Sensing [13.549403813487022]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付けされたソースドメインデータを活用しながら、ラベル付けされていないターゲットドメインデータからモデルを学習することを可能にする。
対照的な学習を UDA に統合し,対象領域における意味情報を捕捉するモデルの能力を高めることを提案する。
我々の手法であるSimSegは既存の手法より優れ、最先端の結果が得られます。
論文 参考訳（メタデータ） (2024-10-17T11:59:39Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳（メタデータ） (2021-07-27T14:47:24Z) - SAND-mask: An Enhanced Gradient Masking Strategy for the Discovery of
Invariances in Domain Generalization [7.253255826783766]
ネットワークの各端に流れる勾配の一致に基づいて連続的な重みを決定するマスキング戦略を提案する。
SAND-maskはドメイン一般化のためのDomainbedベンチマークで検証される。
論文 参考訳（メタデータ） (2021-06-04T05:20:54Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z)
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。