Fugu-MT 論文翻訳(概要): Leaf Spectral Reflectance Prediction Using Multi-Head Attention Neural Networks

論文の概要: Leaf Spectral Reflectance Prediction Using Multi-Head Attention Neural Networks

arxiv url: http://arxiv.org/abs/2606.01432v1
Date: Sun, 31 May 2026 19:59:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:29.699076
Title: Leaf Spectral Reflectance Prediction Using Multi-Head Attention Neural Networks
Title（参考訳）: マルチヘッドアテンションニューラルネットワークを用いた葉スペクトル反射率予測
Authors: Parastoo Farajpoor, Alireza Pourreza, Mohammadreza Narimani, Ashraf El-Kereamy, Matthew W. Fidelibus,
Abstract要約: 我々は、グレープビーン固有のデータセットに基づいてトレーニングされたニューラルネットワークを用いて、特性-スペクトル予測モデルを開発した。本モデルでは, 層状化5倍のクロスバリデーションを用いて評価し, 平均決定係数0.84, 正規化根平均二乗誤差(NRMSE)1.2%を達成した。提案モデルでは,樹冠特性の検索,ブドウ園のモニタリング,リモートセンシングによる作物管理などに応用可能な,正確な葉面反射率データを生成するための堅牢なフレームワークを提供する。
参考スコア（独自算出の注目度）: 0.2936007114555107
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate modeling of leaf spectral reflectance from physiological and biochemical traits is essential for advancing remote sensing applications in plant science and precision agriculture. Widely used radiative transfer models, such as PROSPECT-PRO, rely on generalized trait-reflectance relationships developed from a wide range of species, which may not fully capture the spectral behavior of specific crops like grapevines. In this study, we developed a trait-to-spectra prediction model using a multi-head attention neural network trained on a grapevine-specific dataset that includes 16 leaf traits measured across multiple varieties, growth stages, and years. The model was evaluated using stratified 5-fold cross-validation and achieved an average coefficient of determination (R^2) of 0.84 and normalized root mean squared error (NRMSE) of 1.52 percent, demonstrating high accuracy and generalizability. When compared to PROSPECT-PRO in forward mode, the neural network exhibited lower mean absolute error (MAE), especially in the near-infrared (NIR) and shortwave-infrared (SWIR) regions. These results emphasize the importance of species-specific modeling approaches and show that integrating biochemical and structural traits into data-driven architectures can significantly improve spectral prediction. The proposed model provides a robust framework for generating accurate leaf-level reflectance data, with potential applications in canopy trait retrieval, vineyard monitoring, and remote sensing-driven crop management.
Abstract（参考訳）: 植物科学・精密農業におけるリモートセンシング技術の進歩には, 生理・生化学的特性からの葉スペクトル反射率の正確なモデリングが不可欠である。 PROSPECT-PROのような広く使われている放射移動モデルは、幅広い種から発達した一般的な特性反射関係に依存しており、ブドウのような特定の作物のスペクトルの挙動を完全には捉えない可能性がある。本研究では,複数の品種,成長段階,年数で測定された16種の葉の形質を含む,ブドウ種固有のデータセットに基づいて学習したマルチヘッドアテンションニューラルネットワークを用いた特徴-スペクトル予測モデルを開発した。このモデルは, 層状化5倍断係数を用いて評価し, 0.84 の平均決定係数 (R^2) と正規化根平均二乗誤差 (NRMSE) を 1.2% 達成し, 精度と一般化性を示した。 ProSPECT-PROをフォワードモードで比較すると、ニューラルネットワークは特に近赤外(NIR)と短波赤外(SWIR)領域において、低い平均絶対誤差(MAE)を示した。これらの結果は、種特異的なモデリングアプローチの重要性を強調し、生化学的特徴と構造的特徴をデータ駆動アーキテクチャに統合することで、スペクトル予測を大幅に改善できることを示す。提案モデルでは,樹冠特性の検索,ブドウ園のモニタリング,リモートセンシングによる作物管理などに応用可能な,正確な葉面反射率データを生成するための堅牢なフレームワークを提供する。

関連論文リスト

AssayBench: An Assay-Level Virtual Cell Benchmark for LLMs and Agents [45.98505638696823]
我々は1,920個のCRISPRスクリーンから構築された表現型スクリーン予測のベンチマークであるAssayBenchを紹介する。我々は,各画面の遺伝子ランク予測として画面予測タスクを定式化し,性能比較のための連続指標である調整されたnDCGを導入する。評価の結果,既存手法は経験的に推定された性能天井から遠く離れていることが明らかとなった。
論文参考訳（メタデータ） (2026-05-11T17:27:16Z)
AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
論文参考訳（メタデータ） (2026-03-08T17:28:01Z)
Analysis of Plant Nutrient Deficiencies Using Multi-Spectral Imaging and Optimized Segmentation Model [1.4172975813702]
本研究では,多スペクトルイメージングと拡張YOLOv5モデルを用いた葉の異常セグメンテーションのためのディープラーニングフレームワークを提案する。このモデルは、9チャンネルのマルチスペクトル入力を処理するために調整されており、微妙で空間的に分散した症状をより正確に捉えるために自己注意機構を使用している。
論文参考訳（メタデータ） (2025-07-18T15:25:36Z)
Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
論文参考訳（メタデータ） (2025-07-12T08:10:10Z)
Dual-band feature selection for maturity classification of specialty crops by hyperspectral imaging [5.905721043072562]
イチゴやトマトなどの特産作物の成熟度分類は、農業の下流における重要な活動である。近年のDeep Learningの進歩は、成熟度分類のためのカラー画像の奨励的な結果を生み出している。成熟度分類のための特徴抽出法を提案する。
論文参考訳（メタデータ） (2024-05-16T10:01:16Z)
Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
論文参考訳（メタデータ） (2023-08-02T22:18:41Z)
Plant species richness prediction from DESIS hyperspectral data: A comparison study on feature extraction procedures and regression models [2.847789554498696]
本研究は,オーストラリア南東部の2種類の異なる生息地における植物種の豊かさを予測するためのDSISハイパースペクトルデータの有用性を定量的に評価した。 DESISスペクトル帯の相対的重要性分析により,赤縁,赤,青のスペクトル領域は,緑帯や近赤外帯よりも植物種の豊かさを予測する上で重要であることが示された。また,植物種多様性の予測において,DSISハイパースペクトルデータの方がSentinel-2マルチスペクトルデータよりも優れていた。
論文参考訳（メタデータ） (2023-01-05T05:33:56Z)
Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-08-09T09:06:51Z)
Variational Temporal Deep Generative Model for Radar HRRP Target Recognition [39.01318281591659]
高分解能レンジプロファイル(HRRP)に基づくレーダ自動目標認識(RATR)のためのリカレントガンマ信念ネットワーク(rGBN)を開発した。提案したrGBNは、その時間的深層生成モデルを構築するためにガンマ分布の階層構造を採用する。 HRRPデータを用いた実験結果から,提案手法は計算効率が高く,高い分類精度と能力を有し,高い解釈性を有するマルチ確率層潜在構造が得られた。
論文参考訳（メタデータ） (2020-09-28T02:03:51Z)

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。