論文の概要: From Local Training to Large-Scale Mapping: A Comparative Assessment of Machine Learning and Deep Learning for Transferable Satellite-Derived Bathymetry

• arxiv url: http://arxiv.org/abs/2606.02764v1
• Date: Mon, 01 Jun 2026 18:28:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.541156
• Title: From Local Training to Large-Scale Mapping: A Comparative Assessment of Machine Learning and Deep Learning for Transferable Satellite-Derived Bathymetry
• Title（参考訳）: ローカルトレーニングから大規模マッピングへ:移動可能な衛星派生型浴槽における機械学習とディープラーニングの比較評価
• Authors: Hsiao-Jou Hsu, Joachim Moortgat,
• Abstract要約: 我々は、Sentinel-2画像を用いて、0-20mの深度範囲で転送可能なSDBの機械学習とディープラーニングを評価する。 ランダムフォレスト基地線と4つのCNNがプラタス島と選択されたグレートバリアリーフ地域で訓練されている。 新しいサイトへのスケーラブルな転送を可能にするために、最適化されたアーキテクチャと事前訓練されたウェイトをリリースします。
• 参考スコア（独自算出の注目度）: 0.3093890460224435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Satellite-derived bathymetry (SDB) from multispectral imagery is cost-effective but scales poorly across regions, especially in optically complex coastal environments. We evaluate machine learning and deep learning for transferable SDB over the 0-20 m depth range using Sentinel-2 imagery. A Random Forest baseline and four CNNs (ResNet-50, ResNet-101, EfficientNet-B4, ConvNeXt-Large) are trained on Pratas Island and selected Great Barrier Reef regions, then evaluated on spatially independent intra- and cross-regional test areas. Preserving spatial continuity during training, by keeping contiguous reef blocks rather than random patches, is the single most impactful design choice; we further introduce a Smooth Weight Function (SWF)-weighted RMSE loss that emphasizes near-surface depths. With these choices, intra-regional RMSE ranges from 1.15 to 1.92 m over 0-20 m and is as low as 0.26 m for depths <= 3 m. Random Forest degrades sharply under cross-regional transfer (RMSE 1.53 m -> 2.99-3.78 m), while the deep models stay more robust (2.46-2.98 m). On the public MagicBathyNet aerial-RGB benchmark (0-16 m) the proposed networks reach 0.19-0.22 m RMSE, outperforming a U-Net baseline and a task-specific transformer architecture with substantially fewer parameters. We further exploit multi-temporal repeat imagery: training on it broadens diversity, and median-aggregating predictions across passes at inference reduces noise from changing sun angles, atmospheric conditions, water properties, and tides. We release optimized architectures and pretrained weights to enable scalable transfer to new sites.
• Abstract（参考訳）: マルチスペクトル画像からのSDBは費用対効果が高いが、特に光学的に複雑な沿岸環境において、地域によってはスケールが低くなる。 我々は、Sentinel-2画像を用いて、0-20mの深度範囲で転送可能なSDBの機械学習とディープラーニングを評価する。 ランダムフォレストベースラインと4つのCNN(ResNet-50,ResNet-101,EfficientNet-B4,ConvNeXt-Large)をプラタス島で訓練し、グレートバリアリーフ地域を選定し、空間的に独立した地域内および地域横断試験領域で評価した。 ランダムなパッチではなく、連続したリーフブロックを保持することで、トレーニング中の空間的連続性を維持することは、最も影響の大きい設計選択であり、さらに、表面深度を強調するSWF(Smooth Weight Function)重み付きRMSE損失を導入する。 これらの選択により、地域内RMSEは0-20mで1.15から1.92mの範囲であり、深さ<=3mで0.26mまで低い。 ランダムフォレストはクロスリージョン・トランスファー (RMSE 1.53 m -> 2.99-3.78 m) の下で急激に劣化し、深いモデルはより頑丈である (2.46-2.98 m)。 公開の MagicBathyNet Aero-RGB ベンチマーク (0-16 m) では、提案されたネットワークは 0.19-0.22 m RMSE に達し、U-Netベースラインとタスク固有のトランスフォーマーアーキテクチャをはるかに少ないパラメータで上回っている。 さらに,マルチテンポラリ・リピート・イメージの活用も行なっており,そのトレーニングにより多様性が拡大し,予測値の中央集権化により,太陽の角度,大気条件,水位,潮位の変化によるノイズが減少する。 新しいサイトへのスケーラブルな転送を可能にするために、最適化されたアーキテクチャと事前訓練されたウェイトをリリースします。

関連論文リスト

• Environment-Aware Indoor LoRaWAN Ranging Using Path Loss Model Inversion and Adaptive RSSI Filtering [3.776919981139063]
  本稿では,環境に配慮したマルチウォールパス損失モデルとRSSIのためのKalman prefilterを結合した,軽量で解釈可能なパイプラインを提案する。 アプローチは平均絶対誤差(MAE)は4.74m、根平均二乗誤差(RMSE)は6.76mである。
  論文  参考訳（メタデータ） (2025-05-02T11:00:40Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Improved Generalization of Weight Space Networks via Augmentations [53.87011906358727]
  深度重み空間(DWS)における学習は新たな研究方向であり、2次元および3次元神経場(INRs, NeRFs)への応用 我々は、この過度な適合の理由を実証的に分析し、主要な理由は、DWSデータセットの多様性の欠如であることがわかった。 そこで本研究では,重み空間におけるデータ拡張戦略について検討し,重み空間に適応したMixUp法を提案する。
  論文  参考訳（メタデータ） (2024-02-06T15:34:44Z)
• Multimodal deep learning for mapping forest dominant height by fusing GEDI with earth observation data [5.309673841813994]
  そこで本稿では,マルチモーダルアテンションリモートセンシングネットワーク(MARSNet)と呼ばれる新しいディープラーニングフレームワークを提案する。 MARSNetは、マルチスケール特徴を抽出するリモートセンシングデータモダリティごとに別々のエンコーダと、特徴と推定高さを融合する共有デコーダから構成される。 本研究は,GEDIとSAR,受動光学画像とを併用した多モード深層学習手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-11-20T14:02:50Z)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)
• Analyzing the Internals of Neural Radiance Fields [4.681790910494339]
  粗大なサンプリングに使用される大規模で訓練されたReLU-MLPを解析する。 中間活性化を重み推定に変換することで、これらの大きなミニマ活性化をいかに加速できるかを示す。
  論文  参考訳（メタデータ） (2023-06-01T14:06:48Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Semi-supervised t-SNE for Millimeter-wave Wireless Localization [4.4812474726371185]
  マルチアンテナチャネル状態情報(CSI)に基づく分散基地局(BS)を用いた将来のミリ波無線ネットワークにおける移動局地化問題について考察する。 そこで本研究では,高次元CSIサンプルを直接2次元地理地図に埋め込む半教師付き近傍埋め込み(St-SNE)アルゴリズムを提案する。 シミュレーション都市屋外ミリ波無線ネットワークにおけるSt-SNEの性能評価を行った。
  論文  参考訳（メタデータ） (2021-11-26T16:17:43Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Searching Collaborative Agents for Multi-plane Localization in 3D Ultrasound [59.97366727654676]
  3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。 米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。 本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-30T07:23:55Z)

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。