論文の概要: Weakly Supervised Spatio-Temporal Candidate Discovery of Dairy Farm Sites from Seasonal Satellite Imagery

• arxiv url: http://arxiv.org/abs/2607.12748v1
• Date: Tue, 14 Jul 2026 13:17:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.154197
• Title: Weakly Supervised Spatio-Temporal Candidate Discovery of Dairy Farm Sites from Seasonal Satellite Imagery
• Title（参考訳）: 季節衛星画像による乳牛群落の時空間的発見の弱さ
• Abstract要約: 本稿では,季節的なセンチネル画像と開封前情報から,乳牛の選別クラスタをランク付けするための弱教師付きパイプラインを提案する。 この方法は、アイルランドのコーク州にある春、夏、秋のイメージタイルを使っており、スペクトル帯、植生指標、建設地域指標、牧草地チャンネルがある。 その結果、季節的表現学習と弱い地理的先行性により、大規模な衛星画像収集をコンパクトな候補集合に還元し、人間によるレビューを行うことができた。
• 参考スコア（独自算出の注目度）: 2.0416726251103112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Farm site discovery from satellite imagery is a spatiotemporal candidate ranking problem because farm evidence is distributed across pasture, field boundaries, roads, buildings, and seasonal vegetation patterns. Direct farm labels are often incomplete, which makes fully supervised detection difficult. This paper proposes a weakly supervised pipeline for ranking dairy farm candidate clusters from seasonal Sentinel imagery and open map priors. The method uses aligned spring, summer, and autumn image tiles from County Cork, Ireland, with spectral bands, vegetation indices, built area indices, and a pasture channel. A Barlow Twins encoder learns multi-season tile embeddings without farm labels. In parallel, weak OpenStreetMap farm priors are split into a prior and a held-out set. Prior features support a rule-based tile score that combines farm proximity, seasonal pasture evidence, and summer greenness, while held-out features are reserved only for proxy evaluation. The rule score is smoothed over a spatial representation graph using geographic proximity and embedding similarity, and high-scoring tiles are grouped into ranked candidate clusters. From 26,722 valid tiles, the main run selects 535 high-confidence tiles and forms 71 candidate clusters. The top 5 clusters achieve 0.60 precision within 500 m and 0.80 precision within 1000 m of held-out OpenStreetMap farm features. The top 10 clusters achieve 0.40 precision within 500 m and 0.80 precision within 1000 m. The results show that seasonal representation learning and weak geographic priors can reduce large satellite image collections into compact candidate sets for human review.
• Abstract（参考訳）: 衛星画像による農地の発見は、農地の証拠が牧草地、畑の境界、道路、建物、季節植生のパターンに分散しているため、時空間的候補ランキングの問題である。 直接農場ラベルは不完全であり、完全に監督された検出を困難にしている。 本稿では,季節的なセンチネル画像とオープンマップの先行データから,乳農候補クラスタをランク付けするための弱教師付きパイプラインを提案する。 この方法では、アイルランドのコーク州の春、夏、秋の画像タイルに、スペクトルバンド、植生指標、建設地域指標、牧草地チャンネルが使用されている。 Barlow Twinsエンコーダは、ファームラベルなしでマルチシーズンタイル埋め込みを学習する。 並行して、弱いOpenStreetMapファームのプリエントは、プリエントとホールドアウトセットに分割される。 以前の特徴は、農場の近接性、季節的な牧草の証拠、夏の緑さを組み合わせたルールベースのタイルスコアをサポートし、保留機能はプロキシ評価のみに保留されている。 規則スコアは、地理的近接と埋め込み類似性を用いて空間表現グラフ上で滑らかにされ、ハイスコアタイルはランク付けされた候補クラスタにグループ化される。 26,722個の有効タイルから、メインランは535個の高信頼タイルを選択し、71個の候補クラスタを形成する。 上位5つのクラスタは500m以内で0.60精度、1000m以内で0.80精度を実現している。 上位10個の星団は、500m以内で0.40の精度、1000m以内で0.80の精度を達成している。 その結果、季節的表現学習と弱い地理的先行性により、大規模な衛星画像収集をコンパクトな候補集合に還元し、人間によるレビューを行うことができた。

関連論文リスト

• PhenoStitch: Training-Free Panoptic Crop Mapping from Satellite Image Time Series [2.1010398528585825]
  PhenoStitchは、タスク固有のトレーニングを必要としない、単眼の作物加工パイプラインである。 PASTIS-Rの20.0の作物mIoU、76.2のセグメンテーション品質、6.2のパン光学品質を5倍の3シード評価で達成する。
  論文  参考訳（メタデータ） (2026-08-01T21:11:01Z)
• Intercomparison of Machine Learning Algorithms for Remote Sensing-based In-season Crop Mapping [2.890903045620196]
  USDA Cropland Data Layerは30m解像度で作物タイプのラベルを提供する。 収穫前に作物の種類を満足のいく精度でマッピングする製品は存在しない。 インシーズンの作物型マッピングは、作物に対する気候関連の脅威がますます激化する中で、食品の安全のために重要である。
  論文  参考訳（メタデータ） (2026-06-04T05:47:44Z)
• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• Where on Earth? A Vision-Language Benchmark for Probing Model Geolocation Skills Across Scales [61.03549470159347]
  視覚言語モデル (VLM) は急速に進歩しているが, オープンワールド環境における画像位置決め能力は, 網羅的に評価されていない。 我々は、視覚認識、ステップバイステップ推論、エビデンス利用を評価するVLM画像位置情報の総合ベンチマークであるEarthWhereを提示する。
  論文  参考訳（メタデータ） (2025-10-13T01:12:21Z)
• Unsupervised Landmark Discovery Using Consistency Guided Bottleneck [63.624186864522315]
  画像再構成に基づくパイプラインに一貫性のあるボトルネックを導入する。 本稿では,画像間のランドマーク対応を形成することによって,擬似スーパービジョンを得る手法を提案する。 この一貫性は、アダプティブ・ヒートマップの生成において発見されたランドマークの不確かさを変調する。
  論文  参考訳（メタデータ） (2023-09-19T10:57:53Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• The Canadian Cropland Dataset: A New Land Cover Dataset for Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
  カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。 このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。 ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
  論文  参考訳（メタデータ） (2023-05-31T18:40:15Z)
• Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time Series with Farmers Crop Rotations and Local Crop Distribution [0.0]
  本稿では,3つのデータ型を用いた土地利用と作物型分類課題に取り組むことを提案する。 28級(.948)の5.1ポイント、9.6ポイントのマイクロF1の10級(.887)の精度。
  論文  参考訳（メタデータ） (2022-08-23T09:41:09Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。