論文の概要: Farmland Extent and Visible Boundary Mapping from 1 m NAIP Imagery Using Residual U-Net and Text-Prompted SAM 3 Refinement

• arxiv url: http://arxiv.org/abs/2607.21881v1
• Date: Fri, 24 Jul 2026 00:44:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.015595
• Title: Farmland Extent and Visible Boundary Mapping from 1 m NAIP Imagery Using Residual U-Net and Text-Prompted SAM 3 Refinement
• Title（参考訳）: 残留U-NetとテキストプロンプトSAM 3による1m NAIP画像からの農地・可視界マッピング
• Abstract要約: 農地地図は、しばしばプロプライエタリ、不完全、時代遅れである。 本研究では,1m NAIP RGB画像から農地の範囲と可視境界をマッピングするための再現可能なワークフローを提案する。 この製品は、カダストラル・パーセル・マップではなく、セマンティック・ファームランド・既存層であり、現在のフィールド層が利用できないような農業モニタリングをサポートする。
• 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• Abstract: Agricultural field maps are often proprietary, incomplete, or outdated, yet they provide the spatial framework for crop monitoring, production accounting, and land-conversion analysis. This study presents a reproducible workflow for mapping farmland extent and visible boundaries from 1 m NAIP RGB imagery. Thirty-seven scenes spanning open cropland, peri-urban interfaces, semi-arid irrigation geometries, and fragmented mosaics were annotated in CVAT and converted to binary masks. Non-overlapping 256 x 256 patches yielded 5,698 samples, split by source scene into 3,850 training, 770 validation, and 1,078 test patches. A residual U-Net (ResUNet) trained with a Dice-dominant loss, L = 2.5(1 - Dice) + BCE, achieved test accuracy 0.8808, IoU 0.8605, Dice 0.9234, precision 0.8766, and recall 0.9794. A frozen SAM 3 branch prompted with "agricultural farmland field" was fused with ResUNet by logical OR. On selected difficult patches, Dice improved from 0.858 to 0.955 (orchard rows) and from 0.804 to 0.903 (fragmented parcels). Sliding-window stitching produced coherent regional masks (example tile Dice 0.898 and 0.919). The product is a semantic farmland-extent layer, not a cadastral parcel map, and supports agricultural monitoring where current field layers are unavailable.
• Abstract（参考訳）: 農地地図は、しばしばプロプライエタリ、不完全、または時代遅れであるが、作物のモニタリング、生産会計、土地転換分析のための空間的枠組みを提供する。 本研究では,1m NAIP RGB画像から農地の範囲と可視境界をマッピングするための再現可能なワークフローを提案する。 開作地,周辺アーバン界面,半乾燥灌水地,分断モザイクを含む37のシーンをCVATで注釈し,バイナリマスクに変換した。 重複しない256 x 256パッチは5,698のサンプルを持ち、ソースシーンによって3,850のトレーニング、770のバリデーション、1,078のテストパッチに分割された。 L = 2.5(1 - Dice) + BCEはテスト精度0.8808、IoU 0.8605、Dice 0.9234、精度0.8766、リコール0.9794を達成した。 農業農地」に誘導される凍ったSAM 3枝は論理的ORによりResUNetと融合した。 選択された難しいパッチでは、Diceは0.858から0.955(orchard rows)に改善され、0.804から0.903(fragmented parcels)に改善された。 スライディング・ウインドウ・ステッチは、コヒーレントな地域マスク(例:タイルDice 0.898と0.919)を生み出した。 この製品は、カダストラル・パーセル・マップではなく、セマンティック・ファームランド・既存層であり、現在のフィールド層が利用できないような農業モニタリングをサポートする。

関連論文リスト

• From Foundation Embeddings to Cropland Maps: Label Efficiency, Temporal Transferability and Independent Human Validation [0.45998296599540095]
  地理空間基盤モデルは、下流マッピングをサポートする衛星画像の再利用可能な表現を提供する。 アメリカ合衆国メイン州において,AlphaEarthの年次埋没が二分栽培-無栽培マッピングをサポートするかを評価する。
  論文  参考訳（メタデータ） (2026-09-15T13:04:35Z)
• RoRA: Role-Oriented Regional Allocation for Visual Token Pruning in MLLMs [50.93650157115467]
  本稿では,ロール指向の地域的エビデンスアロケーションとして視覚トークンプルーニングをキャストする,トレーニングフリーのフレームワークであるRoRAを紹介する。 整合した予算の下では、RoRAはLLaVAやQwen-VLファミリで、トレーニングなしの強力なベースラインを一貫して上回っている。 66.7%のプルーニング比で、RoRAはトークンの選択に0.7msしか必要とせず、エンドツーエンドの推論時間を24.6%削減する。
  論文  参考訳（メタデータ） (2026-08-07T10:39:47Z)
• Leak-Free Cross-Validated Stacking with Per-Architecture Calibration for Sand-Boil Segmentation in Earthen Levees [0.0]
  砂の沸騰は、土の堤防の下にある水が地表に再沈み込む地点であり、初期の内部浸食の警告である。 ディープセグメンテーションネットワークは、検査写真でそれらを見つけるためにますます利用されている。 その不足に対処する2つの一般的な方法は、正確さを秘かに報告している。 両抜け穴を塞ぐ砂岩層セグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-28T07:21:02Z)
• 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)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Remote SAMsing: From Segment Anything to Segment Everything [0.1749935196721634]
  SAM2は自然画像上で高品質なゼロショットセグメンテーションを生成する。 大きなリモートセンシングシーンに適用すると、2つの問題が浮き彫りになる。 SAM2を変更したり、トレーニングデータを必要とすることなく、両方の問題を解決するオープンソースのパイプラインであるRemote SAMsingを提案する。
  論文  参考訳（メタデータ） (2026-04-30T21:44:03Z)
• OPTED: Open Preprocessed Trachoma Eye Dataset Using Zero-Shot SAM 3 Segmentation [0.0]
  サハラ以南のアフリカは世界の負担の85%以上を占め、エチオピアだけでも全症例の半数以上を占めている。 しかし、自動トラコマ分類のための公開済みの事前処理データセットは乏しく、最も影響を受けた地域に由来するものはない。 本稿では,Segment Anything Model 3 (SAM3) を用いて構築した,オープンソースで事前処理されたトラコマアイデータセットであるOPTEDについて述べる。
  論文  参考訳（メタデータ） (2026-03-06T21:07:08Z)
• Fields of The World: A Field Guide for Extracting Agricultural Field Boundaries [15.115722799800055]
  フィールドバウンダリマップは、農業データ製品のためのビルディングブロックであり、作物のモニタリング、収量推定、病気の推定をサポートする。 このチュートリアルでは、24カ国にまたがる1.6Mフィールドポリゴンのベンチマーク、事前訓練されたセグメンテーションモデル、コマンドライン推論ツールについて紹介する。
  論文  参考訳（メタデータ） (2026-02-08T21:32:33Z)
• Pix2Geomodel: A Next-Generation Reservoir Geomodeling with Property-to-Property Translation [2.004012818482403]
  本研究では、Pix2Pixをベースとした新しい条件付き生成対向ネットワーク(cGAN)フレームワークであるPix2Geomodelを紹介する。 グローニンゲンガス田のロトリーゲンド貯水池から貯水池特性(空洞、ポーシティ、透水性、飽和度)を予測するように設計されている。 その結果, 病状 (PA 0.88, FWIoU 0.85) と水飽和 (PA 0.96, FWIoU 0.95) の精度が高く, 気孔率 (PA 0.70, FWIoU 0.55) と透過性 (PA 0.74, FWIoU 0.60) が適度に向上し, 翻訳性能も良好であった。
  論文  参考訳（メタデータ） (2025-06-21T15:58:27Z)
• 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)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• 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。