論文の概要: HQ-JEPA: Hybrid Quantum Joint-Embedding Predictive Architecture for Cross-Modal Remote Sensing Representation Learning
- arxiv url: http://arxiv.org/abs/2605.31068v1
- Date: Fri, 29 May 2026 09:37:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.515682
- Title: HQ-JEPA: Hybrid Quantum Joint-Embedding Predictive Architecture for Cross-Modal Remote Sensing Representation Learning
- Title（参考訳）: HQ-JEPA: クロスモーダルリモートセンシング表現学習のためのハイブリッド量子結合型予測アーキテクチャ
- Abstract要約: HQ-JEPAは、クロスモーダルリモートセンシング表現学習のためのハイブリッド量子古典型共同埋め込み予測アーキテクチャである。
その結果、HQ-JEPAは、強力な自己監視・リモートセンシング基盤モデルベースラインよりも、競争力があり、しばしば優れた性能を発揮することがわかった。
- 参考スコア（独自算出の注目度）: 17.65267962254814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce HQ-JEPA, a hybrid quantum-classical joint-embedding predictive architecture for cross-modal remote sensing representation learning. The proposed framework extends JEPA-style masked latent prediction to paired Sentinel-1 and Sentinel-2 imagery by predicting masked target representations from visible context regions while aligning heterogeneous modality features in a shared embedding space. To improve representation quality, HQ-JEPA combines four complementary objectives: latent token prediction, cross-modal token alignment, SIGReg-based Gaussian regularization in the fused latent space, and a differentiable SWAP-test-based Fidelity Quantum Similarity (FQS) loss. Unlike pixel reconstruction methods, HQ-JEPA learns semantic representations directly in latent space and uses quantum state-overlap-based similarity as an additional regularization signal. We evaluate the pretrained encoder on GeoBench classification and segmentation tasks under linear probing and fine-tuning settings. Results show that HQ-JEPA achieves competitive and often superior performance over strong self-supervised and remote sensing foundation-model baselines, demonstrating the benefit of integrating predictive self-supervision, cross-modal geometric regularization, and quantum fidelity-based representation learning for remote sensing applications.
- Abstract（参考訳）: 本稿では, マルチモーダルリモートセンシング表現学習のためのハイブリッド量子古典結合型予測アーキテクチャであるHQ-JEPAを紹介する。
提案フレームワークは,JEPA方式のマスク付き潜時予測をSentinel-1とSentinel-2のペアに拡張し,マスク付きターゲット表現を可視領域から予測し,異質なモダリティ特徴を共有埋め込み空間に整列させる。
表現品質を改善するため、HQ-JEPAは、遅延トークン予測、クロスモーダルトークンアライメント、融合潜在空間におけるSIGRegベースのガウス正規化、SWAPテストベースのフィデリティ量子類似性(FQS)の識別可能な損失の4つの相補的な目標を組み合わせた。
画素再構成法とは異なり、HQ-JEPAは潜在空間で直接意味表現を学習し、量子状態オーバーラップに基づく類似性を追加の正規化信号として利用する。
線形探索および微調整条件下でのGeoBench分類およびセグメンテーションタスクの事前訓練エンコーダの評価を行った。
その結果、HQ-JEPAは強力な自己監督的・リモートセンシング基盤モデルベースラインよりも競争力があり、また、予測的自己スーパービジョン、クロスモーダル幾何正規化、およびリモートセンシングアプリケーションのための量子忠実度に基づく表現学習を統合する利点を示す。
関連論文リスト
- Collaborative Memory Augmentation for Generative Recommendation [49.76630658239287]
我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。
まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。
これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
論文 参考訳（メタデータ） (2026-08-02T15:34:43Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。
モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文 参考訳（メタデータ） (2026-05-16T12:01:04Z) - Predict and Reconstruct: Joint Objectives for Self-Supervised Language Representation Learning [0.0]
Masked Language Modelling (MLM) は BERT 以降,テキストエンコーダの事前学習の主流となっている。
視覚とオーディオにおけるJEPA(Joint Embedding Predictive Architectures)の成功に触発されて,我々はハイブリッドな目的を提案する。
我々は、同じアーキテクチャと計算予算を用いて、ハイブリッドモデルと純粋MLMベースラインの両方を英語ウィキペディアで事前訓練する。
論文 参考訳（メタデータ） (2026-04-16T22:26:47Z) - Var-JEPA: A Variational Formulation of the Joint-Embedding Predictive Architecture -- Bridging Predictive and Generative Self-Supervised Learning [2.1127261244588156]
JEPA(Joint-Embedding Predictive Architecture)は、確率に基づく自己教師型学習の非生成的代替と見なされることが多い。
我々は、標準のJEPA設計、コンテクスト・ツー・ターゲット予測器との結合エンコーダは、変分後部と学習条件前部を反映すると主張している。
Var-JEPAは、単一のエビデンス下界を最適化することにより、潜伏する遺伝子構造を明示する。
論文 参考訳（メタデータ） (2026-03-20T16:36:29Z) - IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。
本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文 参考訳（メタデータ） (2026-03-03T14:36:46Z) - BiJEPA: Bi-directional Joint Embedding Predictive Architecture for Symmetric Representation Learning [0.0]
BiJEPAは、データセグメント間のサイクル一貫性予測を強制する。
合成周期信号,カオス的ロレンツ誘導軌道,高次元画像データという3つの異なるモードでBiJEPAを評価した。
論文 参考訳（メタデータ） (2026-02-10T01:16:20Z) - Quantum-Inspired Multi Agent Reinforcement Learning for Exploration Exploitation Optimization in UAV-Assisted 6G Network Deployment [0.5729426778193399]
本研究では,UAVa支援6Gネットワーク展開に適用したマルチエージェント学習における探索エクスプロイトトレードオフを最適化するための量子インスパイアフレームワークを提案する。
10機のインテリジェントUAVが自律的に協調して信号カバレッジを最大化し、部分観測性と動的条件下での効率的なネットワーク拡張を支援することを考える。
論文 参考訳（メタデータ） (2025-11-25T04:35:43Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳（メタデータ） (2020-05-11T04:00:09Z)
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。