論文の概要: Embeddings based Anomaly Detection for Cleaning Global Crop Type Reference Datasets

• arxiv url: http://arxiv.org/abs/2607.23908v1
• Date: Mon, 27 Jul 2026 00:52:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.264667
• Title: Embeddings based Anomaly Detection for Cleaning Global Crop Type Reference Datasets
• Title（参考訳）: グローバルクロップ型参照データセットのクリーン化のための埋め込みに基づく異常検出
• Abstract要約: 本研究では,事前学習した地球観測エンコーダの埋め込みで動作する,実用的で局所性に配慮した埋め込み型アノマリー(EBA)フレームワークを提案する。 各ラベル付きサンプルは、事前訓練された埋め込みを使用して同じ地域の同じ作物の他のサンプルに対してスコア付けし、目立ったものをフラグ付けし、トレーニング前にそれらを取り除くか、下げるかをテストし、より良いモデルを得る。
• 参考スコア（独自算出の注目度）: 0.15404975601060747
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High quality reference data remain a critical bottleneck for crop-type mapping at any spatial and temporal scale. Operational systems such as WorldCereal aggregate labels from heterogeneous sources such as parcel registers, national databases, field surveys, and map-derived products, each with their own biases, coverage gaps and unknown label noise. Simple global rules are inadequate, since crop phenology and observation conditions vary strongly across regions and seasons. In this study, we focus on a single, operationally relevant question: whether embeddings produced through geospatial foundation models are a viable basis for cleaning the reference data. We propose a practical, locality-aware, embedding-based anomaly (EBA) detection framework that operates on the embeddings of a pretrained Earth-observation encoder. We score each labelled sample against other samples of the same crop in the same area using a pretrained embedding, flag the ones that stand out, and test whether removing or down-weighting them before training yields a better model. We establish that the flagged points are genuinely mislabelled or misplaced in two independent ways: against synthetic ground truth, the detector concentrates injected label errors 2.5-5x above chance in its flagged set (detection AUROC up to 0.84); and on real data, a model-independent test shows that removing or confidence-weighting the flagged held-out points raises measured accuracy in trained models, for both crop type and land cover. Acting on the flags then improves the WorldCereal crop-type model across five macro-regions, evaluated on a fixed held-out split under three views. We find conservative cleaning helps while over-cleaning hurts. The EBA detector approach is designed to be reproducible and extensible, and can serve as a template for cleaning large, noisy Earth observation reference datasets beyond crop mapping.
• Abstract（参考訳）: 高品質な参照データは、いかなる空間的・時間的スケールにおいても、作物型のマッピングにとって重要なボトルネックであり続けている。 WorldCerealのアグリゲーションラベルのような運用システムは、パーセルレジスタ、ナショナルデータベース、フィールドサーベイ、マップ由来の製品などの異質なソースから作成され、それぞれ独自のバイアス、カバレッジギャップ、未知のラベルノイズを持つ。 作物の表現学や観察条件は地域や季節によって大きく異なるため、単純なグローバルな規則は不十分である。 本研究では,地理的基盤モデルによる埋め込みが参照データのクリーニングに有効かどうかという,単一の運用上の問題に焦点をあてる。 本研究では,事前学習した地球観測エンコーダの埋め込みで動作する,実用的で局所性に配慮した埋め込み型異常検出フレームワークを提案する。 各ラベル付きサンプルは、事前訓練された埋め込みを使用して同じ地域の同じ作物の他のサンプルに対してスコア付けし、目立ったものをフラグ付けし、トレーニング前にそれらを取り除くか、下げるかをテストし、より良いモデルを得る。 我々は,フラグ付き点が真に誤認識あるいは誤配置されていることを確認した: 合成基底事実に対して,検出器はフラグ付き集合において2.5～5倍の確率でラベル誤差を注入すること(AUROC 最大 0.84 まで)、実データでは,フラグ付きホールドアウト点の除去または信頼性が,作物型および土地被覆の双方において,訓練されたモデルにおいて測定精度を高めることを示す。 フラグに作用すると、5つのマクロ領域にわたるWorldCerealの作物型モデルが改善され、3つのビューで固定された保留分割に基づいて評価される。 過剰なクリーニングが痛む一方で、保守的なクリーニングが役立ちます。 EBA検出器のアプローチは再現可能で拡張可能であり、作物マッピング以外の大きなノイズの多い地球観測基準データセットをクリーニングするためのテンプレートとして機能する。

関連論文リスト

• On the Transferability of Agricultural Weed Detection Under Cross-Field Distribution Shift [13.021915223605681]
  マルチデータセットの雑草局在化性能が低下し,どのモデル選択が回復するかを特徴付ける。 本研究では,ある作物に訓練された検出器を別の作物に移すためのいくつかの方法の評価を行った。
  論文  参考訳（メタデータ） (2026-08-21T16:06:09Z)
• Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
  ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。 我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。 我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
  論文  参考訳（メタデータ） (2026-01-19T07:55:29Z)
• Coarse-to-Fine Hierarchical Alignment for UAV-based Human Detection using Diffusion Models [14.696438400081114]
  本稿では,UAVに基づく人体検出のための合成データを変換するための3段階拡散型フレームワークを提案する。 Cwdはグローバルなスタイルとローカルなコンテンツドメインの相違を明確に分離し、3つのモジュールを使ってそれらのギャップを埋める。 提案手法は,Semantic-DroneベンチマークでmAP50を最大14.1ドルで改善する。
  論文  参考訳（メタデータ） (2025-12-15T19:57:36Z)
• Unsupervised Learning for Industrial Defect Detection: A Case Study on Shearographic Data [0.0]
  本研究では,せん断画像の自動異常検出のための教師なし学習手法について検討する。 完全に接続されたオートエンコーダ、畳み込みオートエンコーダ、学生-教師モデルという3つのアーキテクチャが評価されている。 その結果, 生徒-教師のアプローチは, より優れた分類を達成し, 正確なローカライゼーションを可能にすることがわかった。
  論文  参考訳（メタデータ） (2025-11-04T12:48:02Z)
• Weed Detection in Challenging Field Conditions: A Semi-Supervised Framework for Overcoming Shadow Bias and Data Scarcity [7.019137213828947]
  本研究は、診断駆動型半教師付きフレームワークにより、両方の問題に取り組む。 我々は、サトウキビのギニアグラスのラベル付き画像に約975枚と1万枚をラベル付けしたユニークなデータセットを使用します。 我々の研究は、堅牢なコンピュータビジョンシステムの開発、診断、改善のための明確でフィールドテストされたフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-08-27T01:55:47Z)
• Exploiting the Potential Supervision Information of Clean Samples in Partial Label Learning [8.969478423832188]
  クリーンなサンプルを収集してガイダンスを提供し、最も可能性の高い候補の信頼性を高めることができることを示す。 各クリーンサンプルに対して、そのラベルが表現空間において最も近い隣人の候補の1つであるなら、その隣人の基本的な真実である可能性が高いという仮定の下で、最も信頼性の高い候補を高く評価する。
  論文  参考訳（メタデータ） (2025-05-14T13:04:55Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
  大規模音声データセットは貴重な知的財産となった。 本稿では,新しいデータセットのオーナシップ検証手法を提案する。 我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。 我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2025-03-02T02:02:57Z)
• SAModified: A Foundation Model-Based Zero-Shot Approach for Refining Noisy Land-Use Land-Cover Maps [2.374912052693646]
  土地利用・土地被覆分析(LULC)はリモートセンシングにおいて重要である。 機械学習を用いたLULCマップの自動生成は、ノイズの多いラベルのため困難である。 基礎モデルSegment Anything Model (SAM) を用いたゼロショットアプローチを提案する。 ラベルノイズの顕著な低減と下流セグメンテーションモデルの性能向上を実現し,デノファイドラベルを用いてトレーニングすると,$approx 5%の値が得られた。
  論文  参考訳（メタデータ） (2024-12-17T05:23:00Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)

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。