論文の概要: Visual Spatial Learning: Single-Field Spatial Interpolation Using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2605.30167v1
• Date: Thu, 28 May 2026 16:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.481846
• Title: Visual Spatial Learning: Single-Field Spatial Interpolation Using Convolutional Neural Networks
• Title（参考訳）: 視覚空間学習:畳み込みニューラルネットワークを用いた単一フィールド空間補間
• Authors: Daniel Tinoco, Raquel Menezes, Carlos Baquero, Alexandra Silva,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを空間スパース予測に活用する。 モデルは観測された位置を直接監視し、ユーザ定義グリッド上の観測されていない地点で値を予測することを学ぶ。 本研究は,従来の地理統計手法に代わる現実的な代替手段として,スパース管理下での単一インスタンス空間スパースに対するCNNの可能性を示す。
• 参考スコア（独自算出の注目度）: 40.39728307619341
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting a complete spatially correlated field from sparse observations is a fundamental challenge in spatial statistics and environmental modelling. Classical interpolation methods such as Kriging rely on Gaussian process assumptions and variography, which can limit their effectiveness in non-stationary settings and require substantial domain expertise. In this work, we leverage an architecture based on convolutional neural networks (CNNs) for spatial interpolation that is trained and applied on a single partially observed field, without access to external data or prior fields. The model is supervised directly on the observed locations and learns to predict values at unobserved points on the user defined grid. Unlike Kriging, our method does not require explicit covariance modelling or variogram estimation, and it can flexibly capture local spatial patterns in a data-driven manner. This work demonstrates the potential of CNNs for single-instance spatial interpolation under sparse supervision, offering a practical alternative to classical geostatistical methods, and extending the use of CNNs to a new problem domain.
• Abstract（参考訳）: 空間統計学と環境モデリングにおいて、スパース観測から完全な空間相関場を予測することが根本的な課題である。 クリギングのような古典的な補間法はガウス過程の仮定やヴァリノグラフィに依存しており、非定常的条件下での有効性を制限し、相当な領域の専門知識を必要とする。 本研究では,空間補間のための畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを活用する。 モデルは観測された位置を直接教師し、ユーザ定義グリッド上の観測されていない地点で値を予測することを学ぶ。 Krigingと異なり,本手法は明示的な共分散モデリングや変動図推定を必要とせず,データ駆動方式で局所的な空間パターンを柔軟に捉えることができる。 本研究は,従来の測地法に代わる現実的な代替手段を提供し,CNNを新たな問題領域に拡張する,単一インスタンス空間補間のためのCNNの可能性を示す。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Reservoir Static Property Estimation Using Nearest-Neighbor Neural Network [0.0]
  本稿では, 近接ニューラルネットワークを用いた貯水池モデルにおける静的特性の空間分布の推定手法を提案する。 それは、データポイント間の局所的な空間的関係を捉え、プロセスに固有の不確実性を定量化するためにランダム化を導入する最も近い隣人を含んでいる。
  論文  参考訳（メタデータ） (2024-09-04T08:53:24Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• Neural networks for geospatial data [0.0]
  NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。 NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。 理論的には、NN-GLSは不規則に観測された空間相関データプロセスに一貫性があることが示されている。
  論文  参考訳（メタデータ） (2023-04-18T17:52:23Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Positional Encoder Graph Neural Networks for Geographic Data [1.840220263320992]
  グラフニューラルネットワーク(GNN)は、連続空間データをモデリングするための強力でスケーラブルなソリューションを提供する。 本稿では,空間コンテキストと相関関係をモデルに明示的に組み込んだ新しいフレームワークPE-GNNを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:41:49Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。