論文の概要: Heterogeneous SAR-optical fusion for near-real-time land use and land cover mapping under cloud contamination: A novel framework and global benchmark dataset

• arxiv url: http://arxiv.org/abs/2606.17713v1
• Date: Tue, 16 Jun 2026 09:25:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.376889
• Title: Heterogeneous SAR-optical fusion for near-real-time land use and land cover mapping under cloud contamination: A novel framework and global benchmark dataset
• Title（参考訳）: 雲汚染下の土地利用と土地被覆マッピングのための不均一なSAR-光融合:新しいフレームワークとグローバルベンチマークデータセット
• Authors: Jiangong Xu, Weibao Xue, Xiaoyu Yu, Jun Pan, Xinlian Lianga, Mi Wang,
• Abstract要約: CloudLULC-Netは、エンドツーエンドのヘテロジニアスなSAR-光融合フレームワークである。 雲に汚染されたSentinel-2画像と時間的に隣接したSentinel-1 SAR観測からLULCマップを直接予測する。 CloudLULC-NetのOAは86.60%、F1スコアは83.29%、mIoUは73.51%である。
• 参考スコア（独自算出の注目度）: 8.89851770832353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optical remote sensing imagery is frequently degraded by cloud and cloud-shadow contamination, which limits its reliability for near-real-time land use and land cover (LULC) mapping. Although synthetic aperture radar (SAR) can provide cloud-penetrating structural information, existing SAR-optical fusion methods often assume reliable optical observations and insufficiently address the semantic uncertainty introduced by cloud contamination. To address this issue, we propose CloudLULC-Net, an end-to-end heterogeneous SAR-optical fusion framework that directly predicts LULC maps from cloud-contaminated Sentinel-2 imagery and temporally adjacent Sentinel-1 SAR observations. The proposed network incorporates optical reliability modulation to suppress unreliable optical responses, heterogeneous information adaptive aggregation to model high-order spatial-channel interactions between optical and SAR representations, and a unified semantic mapping transformer to organize fused features in a LULC-oriented latent space. A semantic anchor-guided optimization strategy is further introduced to improve the consistency of intermediate semantic representations. To support this task, we construct CloudLULC-Set, a large-scale benchmark dataset containing 40,223 curated SAR-optical-label triplets with pixel-level LULC annotations across diverse geographic regions and cloud conditions. Experimental results show that CloudLULC-Net achieves an OA of 86.60%, an F1-score of 83.29%, and an mIoU of 73.51%, outperforming representative heterogeneous reconstruction-first and end-to-end SAR-optical mapping methods. Comparisons with existing global LULC products and analyses under different cloud-cover levels further demonstrate the robustness and practical value of CloudLULC-Net for target-date LULC mapping in cloud-prone regions.The project is publicly available at: https://github.com/RSIIPAC/CloudLULC
• Abstract（参考訳）: 光リモートセンシング画像は、雲や雲陰汚染によってしばしば劣化し、ほぼリアルタイムな土地利用と土地被覆(LULC)マッピングの信頼性が制限される。 合成開口レーダ(SAR)は、雲を貫通する構造情報を提供することができるが、既存のSAR-光融合法は、しばしば信頼性の高い光学的観測を仮定し、雲汚染によって引き起こされる意味的不確実性に不十分に対処する。 この問題に対処するため、クラウドに汚染されたSentinel-2画像と時間的に隣接したSentinel-1 SAR観測からLULCマップを直接予測する、エンドツーエンドのSAR-光融合フレームワークであるCloudLULC-Netを提案する。 提案ネットワークは、信頼できない光応答を抑制するための光信頼性変調、光とSARの高次空間チャネル相互作用をモデル化するための異種情報適応アグリゲーション、LULC指向の潜在空間で融合した特徴を整理するための統一意味マッピングトランスフォーマを備えている。 さらにセマンティックアンカー誘導最適化戦略を導入し、中間的セマンティック表現の整合性を改善する。 この課題を支援するために,40,223個のSAR-光ラベル三重項と画素レベルのLULCアノテーションを組み込んだ大規模ベンチマークデータセットであるCloudLULC-Setを構築した。 実験結果から、CloudLULC-Netは86.60%、F1スコア83.29%、mIoU73.51%のOAを達成し、異種再構成第一・終末SARマッピング法よりも優れていた。 既存のグローバルLULC製品との比較と、異なるクラウド・カバーレベルの分析により、クラウド・プロン領域におけるターゲット日時LULCマッピングにおけるCloudLULC-Netの堅牢性と実用的価値がさらに証明されている。

関連論文リスト

• IB-HFN: Information Bottleneck-Driven SAR-Optical Fusion Network for High-Fidelity Cloud Removal [18.935012033334477]
  本稿では,SAR支援光雲除去のためのInformation Bottleneck-driven High-Fidelity Network (IB-HFN)を提案する。 IB-HFNは、深いセマンティック融合の前にモダリティ固有の表現を保持するためにデュアルストリームバックボーンを使用している。 SEN12MS-CRデータセットの時分割実験により、IB-HFNは既存の手法よりも優れた構造保存とスペクトル忠実性が得られることが示された。
  論文  参考訳（メタデータ） (2026-06-08T11:19:06Z)
• 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)
• GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
  GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。 GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。 GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
  論文  参考訳（メタデータ） (2026-05-19T12:08:09Z)
• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
  ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。 本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T14:14:13Z)
• Task-Driven Prompt Learning: A Joint Framework for Multi-modal Cloud Removal and Segmentation [11.468907022707013]
  TDP-CRはタスク駆動のフレームワークで、クラウド削除と土地被覆のセグメンテーションを共同で行う。 我々のアプローチの中心は、雲の厚さと空間の不確かさを符号化する学習可能な劣化プロンプトを利用するPrompt-Guided Fusionメカニズムである。 LuojiaSET-OSFCRデータセットの実験は、我々のフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2026-01-17T13:32:38Z)
• UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
  リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。 既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。 高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
  論文  参考訳（メタデータ） (2025-12-15T02:59:16Z)
• Cloud-Aware SAR Fusion for Enhanced Optical Sensing in Space Missions [0.0]
  雲の汚染は、光学衛星画像の使用性を著しく損なう。 本研究では,SAR-光機能融合と深層学習に基づく画像再構成を統合するクラウド・アテンティブ・リコンストラクション・フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-22T03:27:41Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Exploring the Potential of SAR Data for Cloud Removal in Optical Satellite Imagery [41.40522618945897]
  我々は,SAR画像に埋め込まれた補完情報を活用するために,新しいグローバルローカル核融合型クラウド除去アルゴリズム(GLF-CR)を提案する。 提案アルゴリズムは高品質なクラウドフリーな画像を得ることができ、最先端のクラウド除去アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2022-06-06T18:53:19Z)

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。