論文の概要: PhenoEmbed: Self-Supervised Multispectral UAV Time-Series Embeddings for Individual Tree Crown Phenology
- arxiv url: http://arxiv.org/abs/2607.10231v1
- Date: Sat, 11 Jul 2026 09:41:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.344355
- Title: PhenoEmbed: Self-Supervised Multispectral UAV Time-Series Embeddings for Individual Tree Crown Phenology
- Title（参考訳）: PhenoEmbed: 個々の樹冠現象に対する自己監督型マルチスペクトルUAV時系列埋め込み
- Authors: Taimur Khan,
- Abstract要約: フェノエンベド(PhenoEmbed)は、コントラストとマスクによる再建を目標とした自己監督型時間埋め込みモデルである。
5,885個のクラウンが輸出され,低次元構造が得られた。
結果は、再利用可能な森林クラウン表現学習者としてPhenoEmbedをサポートする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Tree crowns are a challenging target for resilient AI because they are not static objects: their spectral response, internal texture, translucency, and apparent boundaries change substantially across the growing season. We develop PhenoEmbed, a self-supervised crown-centric temporal embedding model trained with contrastive and masked reconstruction objectives on HeideBench, an 18-date UAV multispectral time-series benchmark for forest crown phenology in D{ö}lauer Heide. The model treats seasonal crown dynamics as phenological appearance change driven by leaf emergence, canopy closure, senescence, and leaf-off conditions. Segmented tree crown polygons are retained as object anchors to extract aligned crown-centered crops through time, allowing one 256-dimensional vector summarizing seasonal crown appearance to be learned per tree. On 5,885 crop-safe crowns, the exported embeddings show structured low-dimensional organization, with the first two principal components explaining 25.1\% of variance and nearest-neighbor retrieval producing a median top-1 cosine similarity of 0.946. Compared with handcrafted temporal features and a learned mean-pooling baseline, PhenoEmbed yields substantially more compact nearest-neighbor structure, while ablations show that the contrastive loss, masked reconstruction loss, and explicit seasonal time features each affect the structure of the learned embedding space. These results support PhenoEmbed as a reusable forest crown representation learner and motivate future downstream tests of whether such features improve tree-level models under seasonal change.
- Abstract（参考訳）: ツリークラウンは、静的なオブジェクトではないため、レジリエントAIにとって難しいターゲットである。
We developed PhenoEmbed, a self-supervised Crown-centric temporal embedding model training with contrastive and masked reconstruction objectives on HeideBench, a 18-date UAV multispectral time-series benchmark for forest crown phenology in D{ö}lauer Heide。
このモデルは、季節的なクラウンダイナミクスを、葉の出現、天蓋閉鎖、老化、葉切れ状態によって引き起こされる現象学的変化として扱う。
分割された樹冠多角形は、時間を通して整列した樹冠中心の作物を抽出するオブジェクトアンカーとして保持され、季節ごとの樹冠外観を要約する256次元ベクトルを学習することができる。
輸出された5,885個のクラウンには低次元構造が示され、最初の2つの主要成分は25.1\%の分散と最も近い隣り合う検索により、平均的なトップ1コサイン類似度は0.946である。
PhenoEmbedは手作りの時間的特徴や学習平均値のベースラインと比較すると、よりコンパクトな近傍構造が得られ、一方、相対的な損失、マスクされた復元損失、明示的な季節的特徴が学習された埋め込み空間の構造に影響を及ぼすことを示した。
これらの結果は、再利用可能な森林クラウン表現学習者としてのPhenoEmbedをサポートし、季節変化による樹木レベルのモデルの改善が期待できるかどうかの下流試験を動機づけるものである。
関連論文リスト
- Temporal Motif Signatures for Temporal Graph Neural Networks [10.449640808601199]
我々は、過去風の星数が4つある小さな4つのファミリーが、すでに強力な静的GNNの上に持ち上げていることを示している。
3つのスケール安定な軸に沿ってモチーフアクティビティが一貫して構成されていることが分かりました。
時間的ワイスフェイラー・リーマン分析は、固定された時間的-WL階層の第一レベルに対する増大を配置し、モチーフの特徴が区別される候補-アンコールペアを示す。
論文 参考訳（メタデータ） (2026-05-31T11:32:32Z) - Highly Detailed and Generalizable Broadleaf Tree Crown Instance Segmentation from UAV Imagery [0.0]
広葉樹林における樹冠の起伏は、樹冠形状の多様性と明確に定義された樹冠の欠如により、他の森林種よりも困難である。
そこで我々は,高品質なアノテートクラウンアウトラインに基づいて学習した深層学習に基づくクラウンセグメンテーションモデルを開発した。
開発モデルは、UAVを使用した実用的な森林モニタリングをサポートするソフトウェアであるDF Scanner Proに統合されている。
論文 参考訳（メタデータ） (2026-05-15T06:50:32Z) - Hierarchically Robust Zero-shot Vision-language Models [74.79155369056639]
VLM(Vision-Language Models)はゼロショット分類を行うことができるが、敵攻撃の影響を受けやすい。
既存のアプローチは、固定されたテキスト埋め込みをイメージ埋め込みと整合させ、自然なパフォーマンスと堅牢性を犠牲にする。
本稿では,階層的な埋め込みと画像・テキスト・モダリティの対角的ロバストなアライメントに基づく,新しい逆方向の微調整フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-20T21:42:14Z) - Learning Order Forest for Qualitative-Attribute Data Clustering [52.612779710298526]
本稿では,属性内定性値間の局所的な順序関係を柔軟に表現する木のような距離構造を探索する。
より適切な木構造とクラスタを反復的に獲得するために,共同学習機構を提案する。
実験により、共同学習は森林をクラスタリングタスクに適応させ、正確な結果を得ることを示した。
論文 参考訳（メタデータ） (2026-03-03T07:49:50Z) - ZS-TreeSeg: A Zero-Shot Framework for Tree Crown Instance Segmentation [5.392796525513568]
樹冠分割はバイオマス推定と生態モニタリングのためのリモートセンシングにおいて重要な課題である。
2つの成熟したタスクから適応するフレームワークであるZSegを提案する。
われわれのフレームワークはセンサタイプとキャノピーにまたがって堅牢に一般化されている。
論文 参考訳（メタデータ） (2026-01-31T02:48:17Z) - PhyloGen: Language Model-Enhanced Phylogenetic Inference via Graph Structure Generation [50.80441546742053]
系統樹は種間の進化的関係を解明する。
伝統的なマルコフ連鎖モンテカルロ法は、緩やかな収束と計算上の負担に直面している。
我々は、事前学習されたゲノム言語モデルを活用する新しい方法であるPhyloGenを提案する。
論文 参考訳（メタデータ） (2024-12-25T08:33:05Z) - Tree semantic segmentation from aerial image time series [24.14827064108217]
1年以上にわたる空中データセット画像を用いて,樹木のセマンティックセグメンテーションを行う。
単体画像で訓練したモデルと時系列で訓練したモデルを比較し,木表現学がセグメンテーション性能に与える影響を評価する。
樹種分類の階層構造を,種,属,高水準の3つのレベルで予測を洗練させるカスタム・ロス・ファンクションを取り入れることで活用する。
論文 参考訳（メタデータ） (2024-07-18T02:19:57Z) - Forecasting with Hyper-Trees [50.72190208487953]
Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。
対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。
この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
論文 参考訳（メタデータ） (2024-05-13T15:22:15Z) - Why do Random Forests Work? Understanding Tree Ensembles as
Self-Regularizing Adaptive Smoothers [68.76846801719095]
統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。
森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
論文 参考訳（メタデータ） (2024-02-02T15:36:43Z) - MRGAN: Multi-Rooted 3D Shape Generation with Unsupervised Part
Disentanglement [49.05682172235875]
本稿では, MRGANを提案する。MRGANは, パートベース形状の監視を伴わずに, 対角3次元点雲形状を生成するマルチルート対向ネットワークである。
このネットワークは、点雲を生成する木構造グラフ畳み込み層の複数の枝を融合させ、木根での学習可能な定数入力を行う。
論文 参考訳（メタデータ） (2020-07-25T14:41:51Z) - Spectral neighbor joining for reconstruction of latent tree models [5.229354894035374]
我々は,潜在木図形モデルの構造を復元する新しい手法であるSpectral Neighbor Joiningを開発した。
我々はSNJが一貫したものであることを証明し、推定された類似性行列から木回復を正すのに十分な条件を導出する。
SNJは,他の再建法と比較して,多数の葉や長い縁を持つ樹木を正確に復元するために,サンプルを少なくする。
論文 参考訳（メタデータ） (2020-02-28T05:13:08Z)
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。