Fugu-MT 論文翻訳(概要): Fields of the Planet: Field Boundary Mapping Beyond 10m

論文の概要: Fields of the Planet: Field Boundary Mapping Beyond 10m

arxiv url: http://arxiv.org/abs/2607.04449v1
Date: Sun, 05 Jul 2026 18:22:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.934569
Title: Fields of the Planet: Field Boundary Mapping Beyond 10m
Title（参考訳）: 惑星のフィールド:10mを超えるフィールド境界マッピング
Authors: Isaac Corley, Caleb Robinson, Jennifer Marcus, Hannah Kerner,
Abstract要約: フィールズ・オブ・ザ・プラネット(Fields of the Planet)は、フィールド・オブ・ザ・ワールド(FTW)の3mのプラネット・スコープである。 FTPは、パン光学品質(PQ)、オブジェクトF1、サイズ階層化PQ、メータースケール整合境界誤差よりも先に予測をベクトル化することにより、フィールドデライン化をパーセルリカバリとして評価する。マッチしたアーキテクチャとトレーニングのレシピの下で、3m画像はPQを21.0から35.5に、0.5ha以下のフィールドでPQを5.8から15.7に、マッチした境界誤差を18.6mから7.4mに下げる。
参考スコア（独自算出の注目度）: 15.115722799800059
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Field-boundary maps support crop monitoring, irrigation planning, and yield estimation, but many smallholder parcels span only a few 10 m Sentinel-2 pixels. We introduce Fields of the Planet (FTP), a 3 m PlanetScope companion to Fields of The World (FTW) that pairs the same polygons, seasonal windows, and train/test splits with 133,168 co-registered PlanetScope patch-window targets across 24 countries. FTP evaluates field delineation as parcel recovery by vectorizing predictions before scoring panoptic quality (PQ), object F1, size-stratified PQ, and meter-scale matched-boundary error. Under matched architectures and training recipes, 3 m imagery raises PQ from 21.0 to 35.5, raises PQ on sub-0.5 ha fields from 5.8 to 15.7, and cuts matched-boundary error from 18.6 m to 7.4 m.
Abstract（参考訳）: フィールド境界地図は、作物のモニタリング、灌水計画、収量推定をサポートするが、多くの小区画は、わずか10 m Sentinel-2 ピクセルにしか及ばない。世界のフィールドズ・オブ・ザ・ワールド(FTW)に付属する3mのPlanetScopeコンパニオンであるFields of the Planet(FTP)を紹介し,24か国で133,168個のPlanetScopeパッチ・ウインドウ・ターゲットと同一のポリゴン,季節窓,列車/テストスプリットをペアリングする。 FTPは、パン光学品質(PQ)、オブジェクトF1、サイズ階層化PQ、メータースケール整合境界誤差よりも先に予測をベクトル化することにより、フィールドデライン化をパーセルリカバリとして評価する。マッチしたアーキテクチャとトレーニングのレシピの下で、3m画像はPQを21.0から35.5に、0.5ha以下のフィールドでPQを5.8から15.7に、マッチした境界誤差を18.6mから7.4mに下げる。

関連論文リスト

Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
論文参考訳（メタデータ） (2026-07-06T16:32:25Z)
From Local Training to Large-Scale Mapping: A Comparative Assessment of Machine Learning and Deep Learning for Transferable Satellite-Derived Bathymetry [0.3093890460224435]
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。
論文参考訳（メタデータ） (2026-06-01T18:28:18Z)
The Range Shrinks, the Threat Remains: Re-evaluating LLM Package Hallucinations on the 2026 Frontier-Model Cohort [51.56484100374058]
Spracklenらは、コード生成された大きな言語モデルは、PyPIやnpmに存在しないパッケージ名を幻覚させることを示した。 199,845対のPythonとJavaScriptプロンプトの幻覚率を測定し、PyPIとnpmマスターリストに対して検証した。 127個のパッケージ名(PyPIは109個,npmは18個)を5つの評価モデルで同一に作成する。
論文参考訳（メタデータ） (2026-05-16T16:08:52Z)
The first global agricultural field boundary map at 10m resolution [23.150413419951388]
世界の農業用リモートセンシング製品のほとんどは、ピクセルレベルでのみ利用可能である。オープンで、グローバルに一貫した農地の境界の地図は、今のところ存在しない。 2024年と2025年の10m解像度で最初のグローバルフィールド境界データセットを提示する。
論文参考訳（メタデータ） (2026-05-11T15:54:42Z)
Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
論文参考訳（メタデータ） (2026-05-01T13:14:20Z)
Cross-Resolution Attention Network for High-Resolution PM2.5 Prediction [5.987010268572668]
1kmの解像度で1つの欧州の空気質マップは、2900万ピクセルで構成されており、自尊心の限界をはるかに超えている。 CRAN-PMは,局部的な高分解能PM2.5で大局的な気象データを融合するために,クロスレゾリューション・アテンションを利用するデュアルブランチ・ビジョン・トランスフォーマーである。 CRAN-PMは完全にトレーニング可能でメモリ効率が良く、単一のGPU上で1.8秒で29万画素のEuropean 2022マップを生成する。
論文参考訳（メタデータ） (2026-03-12T09:33:03Z)
Fields of The World: A Field Guide for Extracting Agricultural Field Boundaries [15.115722799800055]
フィールドバウンダリマップは、農業データ製品のためのビルディングブロックであり、作物のモニタリング、収量推定、病気の推定をサポートする。このチュートリアルでは、24カ国にまたがる1.6Mフィールドポリゴンのベンチマーク、事前訓練されたセグメンテーションモデル、コマンドライン推論ツールについて紹介する。
論文参考訳（メタデータ） (2026-02-08T21:32:33Z)
AG-VPReID 2025: Aerial-Ground Video-based Person Re-identification Challenge Results [64.38412449125872]
本稿では,高高度(80-120m)の地上ReIDに焦点を当てた初の大規模ビデオベースコンペであるAG-VPReID 2025 Challengeを紹介する。この課題は、3,027個のID、13,500個のトラックレット、UAV、CCTV、ウェアラブルカメラから取得された約370万フレームからなるAG-VPReIDデータセット上に構築された。 UAMのX-TFCLIPによる空中対地ReID設定では72.28%、地上対地ReID設定では70.77%の精度を達成した
論文参考訳（メタデータ） (2025-06-28T10:45:30Z)
Delineate Anything: Resolution-Agnostic Field Boundary Delineation on Satellite Imagery [0.0]
大規模でマルチ解像度なインスタンスデータセットであるField Boundary Instance - 22Mデータセット(FBIS-22M)を紹介した。我々は、FBIS-22Mデータセットに基づいてトレーニングされたインスタンスセグメンテーションモデルであるDelineate Anythingを提案する。提案モデルでは,mAP@0.5で88.5%,mAP@0.5:0.95で103%の大幅な改善を実現した。
論文参考訳（メタデータ） (2025-04-03T12:37:04Z)
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)

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。