論文の概要: PhenoStitch: Training-Free Panoptic Crop Mapping from Satellite Image Time Series

• arxiv url: http://arxiv.org/abs/2608.00870v1
• Date: Sat, 01 Aug 2026 21:11:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.966449
• Title: PhenoStitch: Training-Free Panoptic Crop Mapping from Satellite Image Time Series
• Title（参考訳）: PhenoStitch: 衛星画像時系列からの無訓練パノラマクロプスマッピング
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.1010398528585825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Panoptic crop mapping requires both delineating individual agricultural parcels and assigning a crop type to each parcel from satellite image time series. Existing approaches typically rely on dense parcel-level annotations and task-specific model training, which limits their applicability to new regions and growing seasons. We introduce PhenoStitch, a panoptic crop-mapping pipeline that requires no task-specific gradient-based training. A frozen Segment Anything model first oversegments each patch into class-agnostic regions. For each region, optical NDVI and Sentinel-1 backscatter series are summarized by an analytic double-harmonic phenological signature. Adjacent regions are then merged into parcels by minimizing a Potts graph energy, and each parcel is classified by nearest-prototype matching using only (k) labeled parcels per class. A final topology-closure step produces the panoptic map. Under a matched budget of (k=20) parcels per class, corresponding to less than 1% of the available labels, PhenoStitch achieves 20.0 crop mIoU, 76.2 segmentation quality, and 6.2 panoptic quality on PASTIS-R under a 5-fold, 3-seed evaluation. It outperforms the evaluated frozen foundation-model, few-shot, and matched-budget supervised baselines under the same protocol, with a consistent ranking also observed on ZueriCrop. Ablation studies show that radar observations contribute the largest performance gain, while the graph-energy merge and compact phenological signature provide further improvements. These results demonstrate the effectiveness of combining label-free parcel delineation with few-shot phenological recognition for panoptic crop mapping under limited supervision.
• Abstract（参考訳）: パノプティカルな作物マッピングには、個々の農業区画を列挙することと、衛星画像時系列から各区画に作物の種類を割り当てることの両方が必要である。 既存のアプローチは、通常、密集したパーセルレベルのアノテーションとタスク固有のモデルトレーニングに依存しており、新しいリージョンや成長期に適用性を制限する。 我々はPhenoStitchを紹介した。PhenoStitchは、タスク固有の勾配に基づくトレーニングを必要としない、単眼の作物作付けパイプラインである。 凍結されたSegment Anythingモデルはまず、各パッチをクラスに依存しないリージョンに分割する。 各領域について、光学的NDVIおよびSentinel-1後方散乱系列は、分析的二重調和性表現学的シグネチャによって要約される。 隣接する領域はポッツグラフエネルギーを最小化することでパーセルにマージされ、各パーセルはクラスごとに (k) ラベル付きパーセルのみを使用して最も近いプロトタイプマッチングによって分類される。 最後の位相閉包ステップは、汎光学写像を生成する。 利用可能なラベルの1%未満に対応するクラス毎の(k=20)パーセルの一致した予算の下で、PhenoStitchはPASTIS-R上で20.0の作物mIoU、76.2のセグメンテーション品質、6.2のパノプティクを5倍の3シード評価で達成する。 これは、ZueriCropでも一貫したランキングで、評価されたフリーズ基盤モデル、少数ショット、および一致した予算管理ベースラインを同じプロトコルで上回る。 アブレーション研究では、レーダー観測が最大のパフォーマンス向上に寄与し、グラフエネルギーマージとコンパクトな表現学的シグネチャがさらなる改善をもたらすことが示されている。 これらの結果から, 限られた監督下での単眼作物マッピングにおいて, ラベルフリー・パーセル・デライン化と数発の表現学的認識を併用する効果が示された。

関連論文リスト

• ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation [1.8629748140948348]
  弱教師付きセマンティックセグメンテーションは、画像レベルのアノテーションから組織組織セグメンテーションを可能にする。 ProBAGは、データセット固有の視覚プロトタイプと、病理に整合したCONCHテキストプロトタイプを組み合わせたステージ1擬似マスクジェネレータである。 BCSS-WSSS と LUAD-HistoSeg の実験は、最近の WSSS アプローチよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-08-12T08:05:07Z)
• Bag-of-Visual-Words for Spatial Mapping of Lung Adenocarcinoma Growth Patterns [2.3230247783144873]
  Bag-of-Visual-Words(BoVW)パイプラインは、注目領域(ROI)から抽出した凍結基礎モデル埋め込みから視覚語彙を学習する パターンプロトタイプは同一ラベルROIのBoVWヒストグラムの平均として構築され,Jensen-Shannon分散下でのスライドウインドウ領域の最も近い原型分類に使用される。 CPTAC-LUAD患者87名を対象に,3つの基礎モデルエンコーダと2つの臨床的動機づけタスクにおける複数語彙サイズを用いた検討を行った。
  論文  参考訳（メタデータ） (2026-08-05T17:17:36Z)
• Multi-Scale ViT Inference with Habitat-Fit Priors and kNN Retrieval for Multi-Species Plant Identification [0.04014524824655105]
  本稿では,DS@GT ARCの植物4乗画像における多種植物同定におけるPlantCLEF 2026チャレンジに対する3位ソリューションについて述べる。 パイプラインは細調整されたDINOv2 ViT-L/14分類器を中心に構築され、各四角形のマルチスケールタイル分解に適用される。 選択されたエントリーは、0.43902(3位、パブリック0.51096)のプライベートリーダーボードマクロF1に達する。
  論文  参考訳（メタデータ） (2026-07-16T02:47:38Z)
• 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)
• SliceGraph: Mapping Process Isomers in Multi-Run Chain-of-Thought Reasoning [60.650808962786364]
  我々は、CoTスライス間の疎活性化キージャカード類似性に対して、相互kNNによって構築された問題モデル-セルグラフであるSliceGraphを提案する。 同じ正規化された回答を共有する正しいCoTは、複数のプロセスファミリに分割されていることを示す。 また、プロセスファミリは、一致したnull制御の下で異なる遷移カーネルで同じアトラスをナビゲートすることを示す。
  論文  参考訳（メタデータ） (2026-05-14T09:37:26Z)
• Tighnari v2: Mitigating Label Noise and Distribution Shift in Multimodal Plant Distribution Prediction via Mixture of Experts and Weakly Supervised Learning [4.888851550406879]
  Presence-Only (PO) データは広い空間範囲と豊富な分布を提供するが、負のサンプルではひどいラベルノイズに悩まされる。 本稿では,PAおよびPOデータの強度をフル活用したマルチモーダル融合フレームワークを提案する。 GeoLifeCLEF 2025の実験では,PAカバレッジが限定され,分散シフトが顕著なシナリオにおいて,本手法が優れた予測性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-02-09T05:23:22Z)
• Harnessing Group-Oriented Consistency Constraints for Semi-Supervised Semantic Segmentation in CdZnTe Semiconductors [71.44213719783703]
  ICAF(Intra-group Consistency Augmentation Framework)は、CdZnTe(Cadmium Zinc Telluride)半導体画像にラベルを付けるために開発された。 ICAF は View Augmentation Module (VAM) と View Correction Module (VCM) の2つの重要なモジュールで構成されている。 ICAFは、CdZnTeデータセット上の70.6% mIoUを2つのグループアノテートデータのみを用いて達成する。
  論文  参考訳（メタデータ） (2025-08-18T09:40:36Z)
• Mapping the Unseen: Unified Promptable Panoptic Mapping with Dynamic Labeling using Foundation Models [2.914924674957017]
  動的ラベリングに基礎モデルを活用するUPPM(Unified Promptable Panoptic Mapping)を提案する。 UPPMは、フラットデータセットでは0.61cm(英語版))、最高パノプティクス品質(英語版)(0.414)、最先端セグメンテーション法(英語版)よりも優れた性能を持つ。
  論文  参考訳（メタデータ） (2024-05-03T15:08:39Z)
• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
  本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。 我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。 そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
  論文  参考訳（メタデータ） (2023-06-07T10:02:29Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• Instance segmentation of fallen trees in aerial color infrared imagery using active multi-contour evolution with fully convolutional network-based intensity priors [0.5276232626689566]
  画像のセグメンテーションマップ上での複数のアクティブな輪郭進化により、共通オブジェクトクラスのインスタンスをセグメンテーションするフレームワークを導入する。 高分解能空中多スペクトル画像から個々の落下茎を分割する文脈で提案されたフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2021-05-05T11:54:05Z)

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。