論文の概要: TRNet: Topography-Guided Frequency Rectification and Structure-Aware Decoding for Multimodal Paddy Rice Segmentation
- arxiv url: http://arxiv.org/abs/2608.04154v1
- Date: Tue, 04 Aug 2026 19:04:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.599379
- Title: TRNet: Topography-Guided Frequency Rectification and Structure-Aware Decoding for Multimodal Paddy Rice Segmentation
- Title（参考訳）: TRNet:マルチモーダル水田分割のための地形誘導型周波数整流と構造認識デコード
- Abstract要約: TRNetは山間部と丘陵部の高解像度画像から水稲をマッピングすることができる。
地形誘導型水田構造デコーダは, セマンティック, 米・米・地表面境界, インテリアキューを組み合わせる。
結果は、これらの利得を周波数補正、構造学習、そしてより少ない急勾配の偽陽性に関連付ける。
- 参考スコア（独自算出の注目度）: 2.4217158750186614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mapping paddy rice from very-high-resolution imagery in mountainous and hilly regions is difficult because terrain alters optical appearance and increases confusion with visually similar vegetation. We present TRNet for 0.5-m GaoJing-1 red--green--blue (RGB) imagery, a 5-m TanDEM-X digital elevation model (DEM), and derived slope. Separate visual and terrain encoders preserve modality-specific features. At an early encoder stage, Topographic Energy-Spectral Rectification applies terrain-conditioned low-frequency modulation and asymmetric high-frequency regulation to suppress steep-slope clutter and conditionally enhance compatible low-slope rice cues. The Topography-guided Paddy Structure Decoder combines semantic, rice--background boundary, and interior cues, using coarse terrain as context. Experiments used an Area A internal test set and held-out Area B, which had steeper terrain and lower rice prevalence. TRNet achieved rice intersection-over-union (IoU) values of 85.10\% and 80.68\%, exceeding the original Dual-Encoder U-Net by 9.15 and 18.83 percentage points, respectively. Ablation and slope-stratified results linked these gains to frequency rectification, structure learning, and fewer steep-terrain false positives. The results support coarse topography as a contextual prior for very-high-resolution paddy rice mapping.
- Abstract（参考訳）: 地形が光学的外観を変え、視覚的に類似した植生との混同を増大させるため、山間部・丘陵部の高分解能画像からの水田マッピングは困難である。
0.5mのGaoJing-1赤緑色(RGB)画像,5mのTandDEM-Xデジタル標高モデル,および導出斜面についてTRNetを提案する。
視覚的エンコーダと地形的エンコーダは、モダリティ固有の特徴を保持する。
初期エンコーダの段階では,地形条件付き低周波変調と非対称高周波制御を適用し,急傾斜クラッタの抑制と相溶性低周波水田の条件付き改良を行う。
地形誘導型水田構造デコーダは、粗い地形をコンテキストとして、セマンティック、背景境界、および内部の手がかりを組み合わせたものである。
実験では、A地区の内部試験セットとB地区を使用。
TRNet は 85.10\% と 80.68\% で、元の Dual-Encoder U-Net を 9.15 と 18.83 で上回った。
アブレーション, 傾斜成層化の結果は, 周波数補正, 構造学習, 急激なテランの偽陽性率の減少と相関した。
その結果, 粗いトポグラフィーは高分解能水稲マッピングの文脈的先行性を支持した。
関連論文リスト
- BAWSeg: A UAV Multispectral Benchmark for Barley Weed Segmentation [31.004130414489698]
そこで本研究では,2ストリーム分割ネットワークをネイティブ解像度で,放射能キューと正規化インデックスキューとを融合する。
植生インデックスとスペクトルアテンションは、植生インデックスマップの窓付き自己アテンションで動作する。
植生指数と分光アテンションは75.6%のmIoUと63.5%の雑草IoUを22.8Mパラメータで達成し、多スペクトルのSegFormer-B1ベースラインを1.2mIoUと1.9の雑草IoUで上回っている。
論文 参考訳（メタデータ） (2026-03-02T14:49:05Z) - Inferring Height from Earth Embeddings: First insights using Google AlphaEarth [0.0]
本研究では,地空間とマルチモーダルの特徴をテキストにエンコードすることで,深層学習(DL)回帰モデルを地域表面高マッピングに効果的に導くことができるかを検討する。
空間分解能10mのAlphaEarth Embeddingsに着目し,高画質のDSM(Digital Surface Model)を基準とした高さ推定能力の評価を行った。
両方のアーキテクチャは(どちらも$R2 = 0.97$で)強力なトレーニング性能を達成し、埋め込みが情報および復調可能な高さ関連の信号を符号化していることを確認した。
論文 参考訳（メタデータ） (2026-02-19T10:52:50Z) - Geodiffussr: Generative Terrain Texturing with Elevation Fidelity [48.82552523546255]
テキスト誘導テクスチャマップを合成するフローマッチングパイプラインであるGeodiffussrを紹介する。
マルチスケールコンテンツアグリゲーション(MCA): DEM機能は、複数の解像度でUNetブロックに注入され、グローバルからローカライズされた高度の一貫性が強制される。
Geodiffussrを訓練し,評価するために,SRTM由来のDEMとSentinel-2画像と視覚接地型自然出現キャプションを組み合わせた三重項のグローバル分布,バイオメ-および気候成層コーパスを組み立てた。
論文 参考訳（メタデータ） (2025-11-28T09:52:44Z) - PINGS: Gaussian Splatting Meets Distance Fields within a Point-Based Implicit Neural Map [34.22000127126521]
本稿では,連続符号付き距離場とガウススプラッティング放射場を統一した新しい写像表現を提案する。
本稿では,提案した地図表現を用いたPINGSと呼ばれる新しいLiDAR-visual SLAMシステムを提案する。
論文 参考訳（メタデータ） (2025-02-09T03:06:19Z) - Bringing RGB and IR Together: Hierarchical Multi-Modal Enhancement for Robust Transmission Line Detection [67.02804741856512]
高速かつ高精度なTL検出のために,RGBとIRデータを統合したHMMEN(Hierarchical Multi-Modal Enhancement Network)を提案する。
提案手法では,(1)階層的RGBおよびIR特徴写像を大まかに融合・拡張するMMEB,(2)デコーダ出力とIR特徴写像の不整合を変形可能な畳み込みを利用して補正するFAB,の2つの重要な構成要素を紹介する。
論文 参考訳（メタデータ） (2025-01-25T06:21:06Z) - Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。
RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。
低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
論文 参考訳（メタデータ） (2024-09-11T06:12:03Z) - Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity
Monocular Dense Mapping [51.739466714312805]
ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。
ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
論文 参考訳（メタデータ） (2024-01-06T12:32:25Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳（メタデータ） (2023-04-22T22:39:03Z) - Greenhouse Segmentation on High-Resolution Optical Satellite Imagery
using Deep Learning Techniques [0.0]
本稿では,光衛星アゼルスキー (SPOT-7) が取得した画像の画素ワイズ分類のための音響手法を提案する。
U-Netのようなアーキテクチャのカスタマイズされたバリエーションは、温室を特定するために使用される。
拡張畳み込みとスキップ接続を独自に組み込んだ2つのモデルが提案されている。
論文 参考訳（メタデータ） (2020-07-22T06:12:57Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。