論文の概要: A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation

• arxiv url: http://arxiv.org/abs/2606.00676v1
• Date: Sat, 30 May 2026 11:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 00:57:58.91319
• Title: A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation
• Title（参考訳）: EuroCrops-Driven Sentinel-2クローンセグメンテーションのためのモデリングと評価フレームワーク
• Authors: Alexandra Nicoleta Scarlat, Ioana Cristina Plajer, Alexandra Baicoianu,
• Abstract要約: 本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
• 参考スコア（独自算出の注目度）: 78.66324246922831
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a configurable pipeline for generating semantic-segmentation-ready agricultural datasets from Sentinel-2 imagery and EuroCrops parcel-level annotations. The workflow transforms heterogeneous vector crop annotations into aligned multispectral image--mask pairs through label harmonization, Sentinel-2 product selection, spatial alignment, rasterization, patch extraction, quality filtering, and class-aware sample selection. The generated dataset contains 67,337 patches from five European countries and uses a reduced taxonomy of ten crop classes plus background. A four-level U-Net with Group Normalization was trained using 10 Sentinel-2 spectral bands and a composite loss combining class-weighted cross-entropy and Dice loss. On the internal EuroCrops-based test split, the model achieved a mean Intersection over Union (mIoU) of 0.7665, a pixel accuracy of 0.8693, and a mean class accuracy of 0.9072. Compared with spectral and spatial-context Random Forest baselines, the U-Net showed the importance of learned multi-scale spatial representations for crop segmentation. External evaluation was performed on unseen Belgian EuroCrops subsets, DACIA5, and PASTIS. The results show a clear performance gap under external and cross-dataset evaluation, especially for benchmarks with different taxonomies, annotation protocols, spatial coverage, or temporal organization. The model transfers more reliably to dominant and taxonomically aligned classes such as maize and wheat, while performance remains limited for several minority classes and for the adapted single-date PASTIS setting. These findings highlight both the potential and the limitations of using EuroCrops-derived supervision for Sentinel-2 crop segmentation under realistic domain shifts.
• Abstract（参考訳）: 本研究では、Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションから、セマンティックセグメンテーション対応の農業データセットを生成するための、構成可能なパイプラインを提案する。 このワークフローは、異種ベクトル作物アノテーションを、ラベル調和、Sentinel-2製品選択、空間アライメント、ラスタ化、パッチ抽出、品質フィルタリング、クラス認識サンプル選択を通じて、整列したマルチスペクトルイメージに変換する。 生成されたデータセットには、ヨーロッパ5カ国の67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。 内部のEuroCropsベースのテスト分割では、平均対合(mIoU)は0.7665、画素精度は0.8693、平均クラス精度は0.9072であった。 U-Netは、スペクトルおよび空間コンテキストのランダムフォレストベースラインと比較して、学習された多スケール空間表現の重要性を示した。 ベルギーのEuroCropsサブセット,DACIA5,PASTISの外部評価を行った。 その結果、特に異なる分類体系、アノテーションプロトコル、空間的カバレッジ、時間的組織を持つベンチマークにおいて、外部およびデータセット間の評価において、明らかなパフォーマンスギャップが示された。 このモデルは、トウモロコシや小麦などの優越的および分類学的に整列したクラスに確実に移行する一方、いくつかの少数層や適応された単一時代PASTIS設定ではパフォーマンスが制限されている。 これらの知見は、現実的なドメインシフトの下で、EuroCrops由来のSentinel-2の作物分画の監督を行う可能性と限界の両方を浮き彫りにした。

関連論文リスト

• 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)
• SCOPE: Semantic Coreset with Orthogonal Projection Embeddings for Federated learning [0.7799711162530713]
  現在のMLアプローチでは、非現実的なデータアグリゲーションを必要とするか、クラス不均衡のため失敗する。 SCOPEは,異常をフィルタし,冗長なデータを長期スキューに適応させる,フェデレートされたデータのためのコアセットフレームワークである。 SCOPEは、アップリンク帯域幅を128倍から512倍に削減しながら、競争力のあるグローバル精度と堅牢な収束をもたらす。
  論文  参考訳（メタデータ） (2026-03-13T13:24:12Z)
• Split Matching for Inductive Zero-shot Semantic Segmentation [56.47556212515178]
  Zero-shot Semantic (ZSS)は、トレーニング中にアノテートされていないカテゴリをセグメントすることを目的としている。 ハンガリーのマッチングを2つのコンポーネントに分離する新しい割当て戦略であるSplit Matching (SM)を提案する。 SMは、インダクティブZSS設定の下で最初に分離されたハンガリー語マッチングを導入し、2つの標準ベンチマークで最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-05-08T07:56:30Z)
• CerraData-4MM: A multimodal benchmark dataset on Cerrado for land use and land cover classification [5.503948543987285]
  CerraData-4MMは、Sentinel-1 Synthetic Aperture Radar (SAR)とSentinel-2 MultiSpectral Imagery (MSI)を組み合わせたデータセットである。 データセットには、それぞれ7クラスと14クラスからなる2つの階層的な分類レベルが含まれており、多様なBico do Papagaio eco Regionに焦点を当てている。 我々は、標準的なU-Netとより洗練されたビジョントランスフォーマー(ViT)モデルを評価することにより、高度なセマンティックセグメンテーション手法をベンチマークするCerraData-4MMの能力を強調した。
  論文  参考訳（メタデータ） (2025-01-31T15:57:17Z)
• EuroCropsML: A Time Series Benchmark Dataset For Few-Shot Crop Type Classification [9.670182163018804]
  EuroCropsMLは、分析可能なリモートセンシング機械学習データセットである。 オープンソースのEuroCropsコレクションに基づいて、EuroCropsMLがZenodoで公開されている。
  論文  参考訳（メタデータ） (2024-07-24T17:50:54Z)
• Large Scale Legal Text Classification Using Transformer Models [0.0]
  本研究では, トランスフォーマーモデルの性能と, 生成前訓練, 段階的凍結, 差別的学習率などの戦略を組み合わせて検討した。 WeLEXは、アブレーション研究において、言語モデルの微調整や段階的凍結といった個々のステップの影響を定量化する。
  論文  参考訳（メタデータ） (2020-10-24T11:03:01Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。