論文の概要: Toward Seasonal Guidelines for Robust Deep-Learning Sentinel-2 Building Detection in Different Area Types

• arxiv url: http://arxiv.org/abs/2607.19994v2
• Date: Thu, 23 Jul 2026 07:09:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 14:12:06.750933
• Title: Toward Seasonal Guidelines for Robust Deep-Learning Sentinel-2 Building Detection in Different Area Types
• Title（参考訳）: ロバストディープラーニングセンチネルの季節的ガイドラインに向けて-2 地域別建物検出
• Abstract要約: ワルシャワ地方に専用のマルチテンポラルセンチネル-2データセットを構築した。 我々は、ポーランドの公式地形データベース(BDOT10k)をSentinel-2ピクセルグリッド上に設置することで、二元的地平面マスクを導出する。 次に、すべてのシーンに最高の月次モデルを適用することで、時間横断的な推論を行います。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sentinel-2 imagery offers open access, global coverage, and frequent revisit times, making it attractive for practical building mapping at scale; however, its native 10m resolution makes building vs non-building classification challenging, particularly for small or sub-pixel buildings, and performance can vary with both seasonality and the heterogeneity of built-up environments. This paper introduces a Sentinel-2 building-detection framework designed to systematically quantify these effects and to support more formalised, practice-oriented model selection. We construct a dedicated multi-temporal Sentinel-2 dataset over the Warsaw region and derive binary ground-truth masks by rasterising official Polish topographic database (BDOT10k) building footprints onto the Sentinel-2 pixel grid. Using two established convolutional segmentation backbones (U-Net and DeepLabV3+), we first perform scene-specific fine-tuning to select a robust architecture and identify the best monthly models for L1C and L2A products separately. We then conduct cross-temporal inference by applying each best monthly model to all scenes, enabling an assessment of (i) which months provide favourable training and inference conditions, (ii) how performance transfers between seasons, (iii) the impact of processing level, and (iv) how these effects differ across built-up typologies. Based on these results, we provide practical guidance for routine Sentinel-2 building classification under varying acquisition periods and settlement characteristics.
• Abstract（参考訳）: Sentinel-2イメージは、オープンアクセス、グローバルカバレッジ、頻繁な再訪時間を提供し、大規模なビルマッピングの実践には魅力的なものだが、そのネイティブな10m解像度は、特に小型またはサブピクセルの建物において、建築と非建築の分類を困難にしている。 本稿では,これらの効果を体系的に定量化し,より形式化された実践指向モデル選択を支援するために設計されたSentinel-2ビルディング検出フレームワークを提案する。 我々はワルシャワ地域を横断する多面的Sentinel-2データセットを構築し、公式なポーランド地形データベース(BDOT10k)をSentinel-2ピクセルグリッド上にラスタライズすることで、二進地トラスマスクを導出する。 2つの確立された畳み込みセグメンテーションバックボーン(U-NetとDeepLabV3+)を用いて、まずシーン固有の微調整を行い、ロバストなアーキテクチャを選択し、L1CおよびL2A製品の月次モデルを個別に識別する。 次に、各シーンに最適な月次モデルを適用することで、時間横断的推論を行い、評価を可能にします。 一 月が好適な訓練及び推測条件を提供するもの (二)季節間の演出の伝達方法 三)処理レベルの影響、及び (四)これらの効果が組立て型によってどのように異なるか。 これらの結果に基づき, 獲得期間の異なるセンチネル2の建物分類と, 居留地特性に関する実践的ガイダンスを提供する。

関連論文リスト

• 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)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Hierarchical Multi-Stage Transformer Architecture for Context-Aware Temporal Action Localization [3.2537548141519523]
  時間的動作(TAL)タスクのための階層型マルチステージトランスアーキテクチャ PCL-Former を開発した。 プロポーザル・フォーマーは、アクションを含む可能性のある未トリミングビデオ内の候補セグメントを特定し、分類・フォーマーはこれらのセグメント内のアクションカテゴリを分類し、局所化・フォーマーはアクションインスタンスの時間的境界を正確に予測する。 その結果、提案したPCL-Formerの有効性を検証し、THUMOS14、ActivityNet-1.3、HACSデータセットにおいて、最先端のTALアプローチを2.8%、1.2%、および4.8%で上回った。
  論文  参考訳（メタデータ） (2025-07-08T21:28:16Z)
• Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
  顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチである Prefer2Former (P2F) を提案する。 P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。 未知のクラスに対処するほとんどのセグメンテーションモデルとは異なり、P2FはOODデータサンプルへのアクセスや、ヴォイド(ラベルなし)クラスに対する対照的なトレーニングなしで動作する。
  論文  参考訳（メタデータ） (2025-04-07T08:53:14Z)
• A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
  この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。 その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
  論文  参考訳（メタデータ） (2025-03-10T12:15:35Z)
• Fine-grained building roof instance segmentation based on domain adapted pretraining and composite dual-backbone [13.09940764764909]
  本稿では,高解像度光衛星画像を用いた個々の建物の意味解釈を実現するための枠組みを提案する。 具体的には、レバレッジされたドメイン適応事前学習戦略と複合二重バックボーンは、非ネイティブな特徴学習を大いに促進する。 その結果,本手法は2023年のIEEE GRSS Data Fusion Contestの第一位に位置づけられた。
  論文  参考訳（メタデータ） (2023-08-10T05:54:57Z)
• A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series [0.0]
  本研究では,Sentinel-1 (S1) とSentinel-2 (S2) の時系列を用いて,ビルの高さを空間分解能10mで推定するための教師付きマルチモーダルビルディングハイトネットワーク (MBHR-Net) を提案する。 我々のMBHR-Netは,S1画像とS2画像から意味のある特徴を抽出し,画像パターンと建築高さの複雑な時間的関係を学習することを目的としている。 モデルはオランダのRoot Mean Squared Error(RMSE)、Intersection over Union(IoU)、R-squared(R2)の10都市でトレーニングされ、テストされる。
  論文  参考訳（メタデータ） (2023-07-03T22:16:17Z)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• SEnSeI: A Deep Learning Module for Creating Sensor Independent Cloud Masks [0.7340845393655052]
  我々は、新しいニューラルネットワークアーキテクチャー、Sensor Independence(SEnSeI)のためのスペクトルエンコーダを導入する。 クラウドマスキングの問題,既存のいくつかのデータセット,Sentinel-2用の新たな無償データセットなどに注目した。 我々のモデルは、訓練した衛星(Sentinel-2とLandsat 8)の最先端性能を達成し、Landsat 7, Per'uSat-1、Sentinel-3 SLSTRのようなトレーニング中に観測されていないセンサーに外挿することができる。
  論文  参考訳（メタデータ） (2021-11-16T10:47:10Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• Learning to Associate Every Segment for Video Panoptic Segmentation [123.03617367709303]
  粗いセグメントレベルのマッチングと細かなピクセルレベルのマッチングを同時に学習する。 本研究では,Cityscapes-VPSおよびVIPERデータセット上で,フレーム単位の計算モデルにより,最先端の計算結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-06-17T13:06:24Z)

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。