論文の概要: STS-NET: Spatio-Temporal Stress Network for Self-Supervised Crop Stress Detection using Satellite Image Time Series

• arxiv url: http://arxiv.org/abs/2607.18791v1
• Date: Tue, 21 Jul 2026 07:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.34549
• Title: STS-NET: Spatio-Temporal Stress Network for Self-Supervised Crop Stress Detection using Satellite Image Time Series
• Title（参考訳）: STS-NET:衛星画像時系列を用いた自己監督作物ストレス検出のための時空間ストレスネットワーク
• Abstract要約: 自己教師型3次元畳み込みオートエンコーダ(3D-CAE)を用いた新しい時空間ストレスネットワーク(STS-NET)を提案する。 STS-NETは4つの植生指標を利用して高解像度のPlanetscope画像からストレスパターンを捉えている。 ラベル付きデータに頼らずに、サトウキビの作物のストレスを効果的に検出できる。
• 参考スコア（独自算出の注目度）: 2.8341710856250284
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early and accurate detection of crop stress is essential to improve agricultural productivity and ensure global food security. However, collecting a large labeled crop stress dataset is a challenging task. To address this challenge, we introduce a novel spatial-temporal stress network (STS-NET), built on a self-supervised 3D-convolutional autoencoder (3D-CAE), designed to utilize Satellite Image Time Series (SITS) data for crop stress detection. STS-NET exploits four vegetation indices: Normalized Difference Vegetation Index (NDVI), Normalized Difference Vegetation Index (GNDVI), Red-Edge Chlorophyll Index (RECI) and Normalized Difference Red-Edge Index (NDRE) obtained from high resolution Planetscope imagery to capture spatiotemporal stress patterns. The model is trained on our BSPT (Barnala Spatial-Temporal) dataset and evaluated on a real-world sugarcane dataset collected over a year from a 2.5-acre test plot located in Lakhimpur-Kheri (LK) district in Uttar Pradesh in India. STS-NET achieved a precision of 97. 98\% for water stress, 85.08\% for nitrogen stress, and 83.47\% for combined stress. The results demonstrate the potential of STS-NET in effectively detecting stress in sugarcane crops with minimal reliance on labeled data. Furthermore, STS-NET can serve as a robust feature extractor for simpler models.
• Abstract（参考訳）: 作物のストレスの早期かつ正確な検出は、農業生産性を改善し、世界の食料安全保障を確保するために不可欠である。 しかし、大きなラベル付き作物ストレスデータセットの収集は難しい作業である。 この課題に対処するために、衛星画像時系列(SITS)データを作物のストレス検出に利用するように設計された自己教師付き3D畳み込みオートエンコーダ(3D-CAE)上に構築された新しい時空間ストレスネットワーク(STS-NET)を導入する。 STS-NETは4つの植生指標を利用する: 正規化差分植生指数(NDVI)、正規化差分植生指数(GNDVI)、Red-Edge Chlorophyll Index(RECI)、高解像度のPlanetscope画像から得られた正規化差分レッドエッジ指数(NDRE)。 このモデルはBSPT(Barnala Space-Temporal)データセットに基づいてトレーニングされ、インドのウッタルプラデーシュのラヒンプル・ケリ(LK)地区にある2.5エーカーの試験区画から1年以上にわたって収集された現実世界のサトウキビデータセットで評価される。 STS-NETの精度は97。 98\%が水ストレス、85.08\%が窒素ストレス、83.47\%が複合ストレスである。 その結果,サトウキビ作物のストレスをラベル付きデータに最小限依存して効果的に検出するSTS-NETの可能性が示された。 さらに、STS-NETはより単純なモデルのための堅牢な機能抽出器として機能する。

関連論文リスト

• Maize Seedling Detection Dataset (MSDD): A Curated High-Resolution RGB Dataset for Seedling Maize Detection and Benchmarking with YOLOv9, YOLO11, YOLOv12 and Faster-RCNN [0.28647133890966986]
  スタンドカウントは、植物が発芽した数を決定し、再移植や入力の調整といったタイムリーな決定を導く。 実生苗数計測のための高品質な航空画像データセットであるMSDDを導入し,早稲作モニタリング,収量予測,現地管理に応用した。 MSDDには、様々な成長段階、植林設備、土壌タイプ、照明条件、カメラアングル、密度の3つのクラス・シングル、ダブル、トリプルの植物が含まれる。
  論文  参考訳（メタデータ） (2025-09-18T17:41:59Z)
• Improved Classification of Nitrogen Stress Severity in Plants Under Combined Stress Conditions Using Spatio-Temporal Deep Learning Framework [0.0]
  本研究では, 複合応力環境下での窒素応力重大度を正確に分類するための新しい深層学習フレームワークを提案する。 我々のモデルは、RGB、マルチスペクトル、および2つの赤外線波長の4つの画像モダリティのユニークなブレンドを用いて、天蓋画像から幅広い生理的植物反応を捉えている。 我々のアプローチの中核は空間時間深層学習パイプラインで、畳み込みニューラルネットワーク(CNN)と組み合わせて、長期記憶(LSTM)ネットワークで画像から特徴を抽出し、時間的依存を捉える。
  論文  参考訳（メタデータ） (2025-09-08T12:41:45Z)
• Sugar-Beet Stress Detection using Satellite Image Time Series [0.0]
  本研究では,Sentinel-2画像系列から意味のある特徴を抽出する3次元畳み込みオートエンコーダモデルを提案する。 学習した表現は下流のクラスタリングタスクで使われ、ストレスを健康なフィールドから分離する。
  論文  参考訳（メタデータ） (2025-07-17T19:48:10Z)
• SDTN and TRN: Adaptive Spectral-Spatial Feature Extraction for Hyperspectral Image Classification [1.2871580250533408]
  ハイパースペクトル画像分類は、精密農業において重要な役割を担い、作物の健康モニタリング、病気の検出、土壌分析に関する正確な洞察を提供する。 従来の手法は高次元データ、スペクトル空間の冗長性、ラベル付きサンプルの不足に悩まされ、しばしば準最適性能に繋がる。 これらの課題に対処するために,テンソル分解と正規化機構を組み合わせた自己適応正規化ネットワーク(SDTN)を提案し,テンソルランクを動的に調整する。 このアプローチは、高い分類精度を維持するだけでなく、計算の複雑さを大幅に減らし、リソース制約のある環境でのリアルタイムデプロイメントに非常に適している。
  論文  参考訳（メタデータ） (2025-07-13T04:53:33Z)
• Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection [59.822737536103155]
  グループ中心幾何構造を保存して3次元異常検出のための高精度点雲を再構成するために,ダウンアップサンプリングネットワーク(DUS-Net)を提案する。 提案手法は、オブジェクトレベルのAUROCの79.9%と79.5%、Real3D-ADおよびAnomaly-ShapeNetデータセットの71.2%と84.7%のポイントレベルのAUROCを用いて、最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-07-05T05:05:36Z)
• A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
  3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。 空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。 SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
  論文  参考訳（メタデータ） (2021-08-17T16:20:51Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Identifying Water Stress in Chickpea Plant by Analyzing Progressive Changes in Shoot Images using Deep Learning [0.41998444721319217]
  我々は,視覚的時間パターンを学習し,水ストレスカテゴリーを高い信頼性で予測するLSTM-CNNアーキテクチャを開発した。 提案したモデルは,JG-62ではtextbf98.52%,Pusa-372ではtextbf97.78%の天井レベル分類性能,およびチクピー植物データであった。
  論文  参考訳（メタデータ） (2021-04-16T06:23:19Z)
• Hyperspectral Image Super-Resolution with Spectral Mixup and Heterogeneous Datasets [99.92564298432387]
  ハイパースペクトル画像(HSI)超解像(SR)の研究 HSI SRは高次元データと限られたトレーニング例によって特徴づけられる。 これにより、非分布サンプルに対する記憶や感度などのニューラルネットワークの望ましくない動作が悪化する。
  論文  参考訳（メタデータ） (2021-01-19T12:19:53Z)
• RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2 Visual Field Data based on Retinal Structure [109.33721060718392]
  緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
  論文  参考訳（メタデータ） (2020-10-15T03:09:08Z)
• AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement with Neural Searching [76.4844593082362]
  既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。 総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
  論文  参考訳（メタデータ） (2020-04-26T05:43:21Z)

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。