論文の概要: Quantum Enchanced Multi-Scale CNN with Bi-directional Mamba for Crop Field Analysis

• arxiv url: http://arxiv.org/abs/2606.17222v1
• Date: Mon, 15 Jun 2026 19:11:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.11275
• Title: Quantum Enchanced Multi-Scale CNN with Bi-directional Mamba for Crop Field Analysis
• Title（参考訳）: 2方向マンバを用いたマルチスケールCNNの作物畑解析への応用
• Authors: Mohammad Salman Khan, Ehsan Atoofian, Saad B. Ahmed,
• Abstract要約: ハイパースペクトル画像(HSI)の作物分析は、精密農業に不可欠である。 HSI分類は、高スペクトル次元、空間的複雑さ、クラス不均衡、限定されたラベル付きサンプルのために依然として困難である。 本稿では,マルチスケールな畳み込み特徴抽出,スペクトルアテンション,双方向状態空間モデリング,量子インスピレーション学習を組み合わせたBiSpectral Mambaベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.06372261626436675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image (HSI) crop analysis is essential for precision agriculture because it captures rich spectral and spatial information for accurate crop monitoring and assessment. However, HSI classification remains challenging due to high spectral dimensionality, spatial complexity, class imbalance, and limited labeled samples. To address these challenges, this paper proposes a BiSpectral Mamba-based framework that combines multi-scale convolutional feature extraction, spectral attention, bidirectional state-space modeling, and quantum-inspired learning. A multi-scale CNN backbone first extracts hierarchical spatial-spectral representations through feature fusion across multiple resolutions. A spectral attention mechanism then emphasizes informative bands while suppressing redundant and noisy channels. The refined features are processed by a BiSpectral Mamba module that captures long-range dependencies in both forward and backward directions by modeling hyperspectral feature maps as sequential tokens. In addition, class-weighted optimization and feature fusion strategies are incorporated to improve training stability and mitigate class imbalance. Experimental evaluation on the UAVHSI-Crop dataset demonstrates the effectiveness of the proposed framework, achieving an overall accuracy of 84.83%. The results show that integrating convolutional, attention-based, and state-space modeling components enables robust spatial-spectral feature learning for crop classification. The proposed framework also shows potential for broader agricultural and remote sensing applications, including crop disease detection, yield prediction, and soil moisture estimation, while highlighting the effectiveness of structured state-space and quantum-inspired architectures for hyperspectral image analysis.
• Abstract（参考訳）: 高スペクトル画像(HSI)は、正確な作物のモニタリングと評価のために、豊富なスペクトルと空間情報をキャプチャするので、精密農業には不可欠である。 しかし、HSI分類は、高スペクトル次元、空間的複雑さ、クラス不均衡、限られたラベル付きサンプルのため、依然として困難である。 これらの課題に対処するために,マルチスケールの畳み込み特徴抽出,スペクトルアテンション,双方向状態空間モデリング,量子インスピレーション学習を組み合わせたBiSpectral Mambaベースのフレームワークを提案する。 マルチスケールCNNバックボーンは、まず複数の解像度にまたがる特徴融合を通して階層的な空間スペクトル表現を抽出する。 スペクトルアテンション機構は、冗長でノイズの多いチャネルを抑えながら、情報帯域を強調する。 改良された機能はBiSpectral Mambaモジュールによって処理され、ハイパースペクトルの特徴マップをシーケンシャルトークンとしてモデル化することで、前方および後方の両方の長距離依存関係をキャプチャする。 さらに,クラス重み付け最適化と機能融合戦略が組み込まれ,トレーニング安定性の向上とクラス不均衡の軽減が図られている。 UAVHSI-Cropデータセットの実験的な評価は、提案されたフレームワークの有効性を示し、全体の精度は84.83%である。 その結果、コンボリューション、アテンションベース、および状態空間モデリングコンポーネントの統合により、作物分類のための頑健な空間スペクトル特徴学習が可能となった。 提案フレームワークは、作物病の検出、収量予測、土壌水分推定など、より広範な農業・リモートセンシング応用の可能性も示し、超スペクトル画像解析のための構造化状態空間および量子インスパイアされたアーキテクチャの有効性を強調した。

関連論文リスト

• An Enhanced Geometric-Spectral Feature Learning Framework for Airborne Multispectral Point Cloud Classification [51.004475033276215]
  2つのMPCデータセットを構築し,航空機搭載型MPC分類の注意点に基づく幾何スペクトル特徴学習フレームワークを提案する。 我々のモデルにおける重要な要素は、空間スペクトル特徴の表現能力を向上するアテンション機構を持つ2ストリーム特徴融合法である。 航空機搭載型MPCデータセットの2つの実験結果から,提案手法の有効性が実証された。
  論文  参考訳（メタデータ） (2026-06-08T07:18:38Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• DFYP: A Dynamic Fusion Framework with Spectral Channel Attention and Adaptive Operator learning for Crop Yield Prediction [18.24061967822792]
  DFYPは、作物収量予測のための新しい動的融合フレームワークである。 スペクトルチャネルアテンション、エッジ適応空間モデリング、学習可能な融合機構を組み合わせる。 DFYPはRMSE、MAE、R2の最先端ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-08T10:24:04Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
  高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。 マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。 HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
  論文  参考訳（メタデータ） (2024-10-04T06:19:29Z)
• HSIMamba: Hyperpsectral Imaging Efficient Feature Learning with Bidirectional State Space for Classification [16.742768644585684]
  HSIMambaは、双方向の逆畳み込みニューラルネットワークパスを使用して、スペクトル特徴をより効率的に抽出する新しいフレームワークである。 提案手法は,CNNの動作効率と,トランスフォーマに見られる注意機構の動的特徴抽出機能を組み合わせたものである。 このアプローチは、現在のベンチマークを超えて分類精度を改善し、トランスフォーマーのような高度なモデルで遭遇する計算の非効率性に対処する。
  論文  参考訳（メタデータ） (2024-03-30T07:27:36Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)

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。