論文の概要: Uncertainty Quantification for EO Regression Tasks: Building Height, Tree Canopy Height and Above-ground Biomass Estimation

• arxiv url: http://arxiv.org/abs/2607.11412v1
• Date: Mon, 13 Jul 2026 11:18:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.446465
• Title: Uncertainty Quantification for EO Regression Tasks: Building Height, Tree Canopy Height and Above-ground Biomass Estimation
• Title（参考訳）: EO回帰作業の不確かさの定量化:建築高さ、樹冠高さ、地上バイオマス推定
• Abstract要約: ほとんどのディープラーニングモデルは決定論的予測しか生成せず、画素ごとの信頼性を示すものではない。 i)ガウス的仮定の下で平均偏差と標準偏差を共同で予測するガウス的UCと、(ii)非対称およびヘテロセダスティックな誤差分布を捉えるために10位、50位、90位を推定するQuantile UCの2つの相補的なアプローチを提案する。 結果は、どちらのアプローチも決定論的ベンチマークや既存のグローバル製品と一致しているか、あるいは超越しているかを示し、十分に校正され、解釈可能で、運用上有用な信頼推定を提供する。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earth Observation regression tasks such as building height, canopy height, and above-ground biomass estimation underpin critical applications in urban planning, forest monitoring, and climate policy, where both accuracy and reliability are critical. Yet most deep learning models yield only deterministic predictions, providing no indication of per-pixel reliability. These regression tasks are inherently challenging due to heterogeneous land surfaces, skewed target distributions, sensor noise, and signal saturation at high target values, making uncertainty (UC) estimation essential for reliable inference. We address this gap by modeling aleatoric uncertainty using year-long Sentinel-1 SAR and Sentinel-2 MSI time series, proposing two complementary approaches: (i) Gaussian UC, which jointly predicts mean and standard deviation under a Gaussian assumption, and (ii) Quantile UC, which estimates the 10th, 50th, and 90th quantiles to capture asymmetric and heteroscedastic error distributions. Both models are evaluated on three representative EO regression tasks at 10 m spatial resolution. Results show that both approaches match or surpass deterministic benchmarks and existing global products, while delivering well-calibrated, interpretable, and operationally useful confidence estimates. Notably, both models outperform the current 10 m state-of-the-art uncertainty-aware model for canopy height estimation. Our implementation will be available at: https://github.com/RituYadav92/EO-Regression-Uncertainty-Estimation
• Abstract（参考訳）: 建物の高さ、天蓋の高さ、地上のバイオマス推定などの地球観測回帰タスクは、正確さと信頼性の両方が重要である都市計画、森林モニタリング、気候政策において重要な応用となる。 しかし、ほとんどのディープラーニングモデルは決定論的予測しか生成せず、ピクセルごとの信頼性を示すものではない。 これらの回帰作業は、不均一な陸面、歪んだ目標分布、センサノイズ、高い目標値での信号飽和により本質的に困難であり、信頼性の高い推測に欠かせない不確実性(UC)推定を可能にする。 このギャップを1年長のSentinel-1 SARとSentinel-2 MSI時系列を用いてモデル化し、2つの相補的アプローチを提案する。 一 ガウス的前提の下で平均及び標準偏差を共同予測するガウス的UC及び (II)Quantile UCは10位、50位、90位を推定し、非対称およびヘテロセダスティックな誤差分布を捉える。 両モデルとも空間分解能10mで3つの代表的EO回帰タスクで評価する。 結果は、どちらのアプローチも決定論的ベンチマークや既存のグローバル製品と一致しているか、あるいは超越しているかを示し、十分に校正され、解釈可能で、運用上有用な信頼推定を提供する。 どちらのモデルも、キャノピー高さ推定のための最先端の不確実性認識モデルよりも優れている。 実装は以下の通りである。 https://github.com/RituYadav92/EO-Regression-Uncertainty-Estimation

関連論文リスト

• Halo: Improving forecast accuracy through heteroscedastic estimation [0.0]
  本報告では, 時系列外における不連続推定の否定的な結果とは対照的に, 点推定の精度も向上することを示す。 Haloは、既存のディープラーニングのアーキテクチャを再利用する修正であり、インプリート分布のスケールの2番目のアウトプットを提供する。
  論文  参考訳（メタデータ） (2026-09-06T18:03:06Z)
• Deep Evidential Regression for Sparse Forest Height Estimation from Multimodal Satellite Imagery [8.450481081455147]
  ディープ・エビデンシャル・レグレッション(DER)は、地球観測データから不確実性を考慮した森林構造推定のための効率的なフレームワークである。 DERは、決定論的U-Netに匹敵する予測性能を達成し、また、よく校正された不確実性推定を提供する。 これらの知見は,不確実性を考慮した森林構造推定のための効率的な枠組みとしての顕在的学習の可能性を示している。
  論文  参考訳（メタデータ） (2026-08-03T09:46:14Z)
• Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
  条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。 本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。 本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
  論文  参考訳（メタデータ） (2026-05-29T03:52:44Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Canopy Tree Height Estimation Using Quantile Regression: Modeling and Evaluating Uncertainty in Remote Sensing [1.2081808043723938]
  本研究では,衛星データに基づく既存の樹高推定モデルに適用し,不確かさの定量化を取り入れた。 結果は、リモートセンシングにおける既知の課題と相関し、モデルがより困難な状況において自信を欠いていることを示している。
  論文  参考訳（メタデータ） (2026-04-08T12:05:13Z)
• VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
  本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。 この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。 一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-12-12T02:10:05Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
  不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。 本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:13:27Z)
• CARE: Confidence-Aware Regression Estimation of building density fine-tuning EO Foundation Models [0.9558392439655016]
  本研究は、回帰出力とともに信頼度を計算・割り当てするEO衛星データを用いたファンデーションモデルの開発である。 このモデルCAREは、EOデータに対するファンデーションモデルの下流タスクとして回帰結果に対する信頼度を算出し、低信頼領域に対する信頼度を考慮した自己補正学習手法を実行する。
  論文  参考訳（メタデータ） (2025-02-19T14:02:00Z)
• Discretization-Induced Dirichlet Posterior for Robust Uncertainty Quantification on Regression [17.49026509916207]
  不確実性定量化は、現実世界のアプリケーションにディープニューラルネットワーク(DNN)をデプロイするために重要である。 視覚回帰タスクでは、現在のAuxUE設計は、主にアレタリック不確実性推定に採用されている。 回帰タスクにおけるより堅牢な不確実性定量化のための一般化されたAuxUEスキームを提案する。
  論文  参考訳（メタデータ） (2023-08-17T15:54:11Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via Higher-Order Influence Functions [121.10450359856242]
  我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。 1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
  論文  参考訳（メタデータ） (2020-06-29T13:36:52Z)

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。