論文の概要: ForestHG-Trace: Traceable Long-Horizon Ecological Reasoning over Large-Scale Forest Scenes

• arxiv url: http://arxiv.org/abs/2605.27590v2
• Date: Mon, 01 Jun 2026 07:02:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 18:24:16.623697
• Title: ForestHG-Trace: Traceable Long-Horizon Ecological Reasoning over Large-Scale Forest Scenes
• Title（参考訳）: ForestHG-Trace:大規模森林のトレーサビリティ・ロング・ホライゾン・エコロジー・推論
• Authors: Zihang Cheng, Duanchu Wang, Cheng Li, Jing Huang, Huanzhao Fu, Di Wang,
• Abstract要約: ForestHG-Traceは、森林環境に対する追跡可能な長期の生態学的推論のためのフレームワークである。 エージェントは、読み取り、フィルタリング、拡張、集約、比較、監査のための決定論的ツールを呼び出す。 ForestTraceQAは、様々なタスクタイプと推論深さにわたる生態的QAを評価するための実行可能なベンチマークである。
• 参考スコア（独自算出の注目度）: 9.713190438591443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing question answering (RS-QA) often requires more than direct semantic prediction, especially in large-scale forest scenes where ecological analysis involves multi-step filtering, numerical aggregation, neighborhood reasoning, and verifiable evidence. We introduce ForestHG-Trace, a framework for traceable long-horizon ecological reasoning over forest environments. It represents multimodal NEON forest scenes as ecological hypergraphs, where tree instances, spatial units, semantic groups, and neighborhood relations support higher-order reasoning beyond pairwise scene graphs. An LLM-guided agent then invokes deterministic tools for reading, filtering, expansion, aggregation, comparison, and auditing, producing replayable execution traces and compact evidence records rather than only free-form answers. We further construct ForestTraceQA, an executable benchmark for evaluating ecological QA across diverse task types and reasoning depths. Experiments show that ForestHG-Trace substantially improves answer accuracy and execution faithfulness over single-step baselines and scene-graph agents, while highlighting execution depth as the main bottleneck for long-horizon ecological QA.
• Abstract（参考訳）: リモートセンシング質問応答(RS-QA)は、特に、多段階フィルタリング、数値集計、近隣推論、検証可能な証拠を含む大規模森林のシーンにおいて、直接的な意味予測以上のものを必要とすることが多い。 本研究では,森林環境に対するトレーサブル・ロングホライズン・エコロジー推論のためのフレームワークであるフォレストHG-Traceを紹介する。 木インスタンス、空間単位、セマンティックグループ、近隣関係は、ペアワイズなシーングラフを超えた高次推論をサポートする。 LLM誘導エージェントは、読み取り、フィルタリング、拡張、集約、比較、監査のための決定論的ツールを起動し、再生可能な実行トレースとコンパクトエビデンスレコードを生成する。 さらに、様々なタスクタイプと推論深度にまたがる生態学的QAを評価するための実行可能なベンチマークであるForestTraceQAを構築した。 実験の結果,フォレストHG-Traceは単一ステップのベースラインやシーングラフエージェントよりも解答精度と実行忠実度を著しく向上し,長期の生態学的QAの主要なボトルネックとして実行深度を強調した。

関連論文リスト

• Towards Unified Vision Language Models for Forest Ecological Analysis in Earth Observation [10.566310652119148]
  REO-Instructは、地球観測データセットにおける記述的タスクと回帰的タスクの両方のために設計された最初の統一ベンチマークである。 このデータセットは、共登録されたSentinel-2とALOS-2の画像と、ハイブリッドAIパイプラインを通じて生成された構造化テキストアノテーションを統合し、検証する。
  論文  参考訳（メタデータ） (2025-11-20T23:28:30Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• Semantic segmentation of forest stands using deep learning [0.0]
  深層学習法はコンピュータビジョンにおいて大きな可能性を証明してきたが、森の起伏への応用は未解明のままである。 本研究では,マルチクラスセグメンテーション問題としてのフレーミングスタンドデライン化と,U-NetベースのDLフレームワークの適用という,新しいアプローチを提案する。 このモデルは、マルチスペクトル画像、ALSデータ、およびエキスパートインタプリタによって作成された既存のスタンドマップを用いて、訓練され評価された。
  論文  参考訳（メタデータ） (2025-04-03T10:47:25Z)
• Dual-Task Learning for Dead Tree Detection and Segmentation with Hybrid Self-Attention U-Nets in Aerial Imagery [1.693687279684153]
  本研究では,深層学習に基づく木分割を改良するハイブリッド後処理フレームワークを提案する。 ボレアル林の高解像度空中画像に基づいて、このフレームワークはインスタンスレベルのセグメンテーション精度を41.5%向上させた。 フレームワークの計算効率は、壁と壁の間の木死のマッピングのようなスケーラブルなアプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-03-27T12:25:20Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning [16.071397465972893]
  ForAINetは多様な森林タイプや地理的地域をまたいでセグメンテーションを行うことができる。 システムは、調査ドローンを使用して5つの国で取得されたポイントクラウドのデータセットであるFor-Instanceでテストされている。
  論文  参考訳（メタデータ） (2023-12-22T21:54:35Z)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
  我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。 その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。 河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• ForensicsForest Family: A Series of Multi-scale Hierarchical Cascade Forests for Detecting GAN-generated Faces [53.739014757621376]
  我々は,GAN生成顔を検出するために,EmforensicsForest Familyと呼ばれる簡易かつ効果的な森林法について述べる。 ForenscisForestは、新しく提案された多層階層のカスケード林である。 Hybrid ForensicsForestはCNNレイヤをモデルに統合する。 Divide-and-Conquer ForensicsForestは、トレーニングサンプリングの一部のみを使用して、森林モデルを構築することができる。
  論文  参考訳（メタデータ） (2023-08-02T06:41:19Z)
• Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
  我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。 本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。 前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
  論文  参考訳（メタデータ） (2022-05-18T21:52:11Z)

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。