論文の概要: Multi-Year Geospatial Reasoning using Interannually-Consistent Historical Predictions as a Free Input Modality
- arxiv url: http://arxiv.org/abs/2608.05979v1
- Date: Thu, 06 Aug 2026 12:56:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.753841
- Title: Multi-Year Geospatial Reasoning using Interannually-Consistent Historical Predictions as a Free Input Modality
- Title（参考訳）: 経年的履歴予測を自由入力モダリティとして用いた多年地球空間推論
- Abstract要約: 予測履歴を追加すると、作物のみのF1が1.6ポイント(pp)上昇し、さらに、リコールスキューされたエラープロファイルが修正されることを示す。
このアプローチは、クラスマップを出力するジオ空間またはファンデーションモデルに対して、低コストのレシピである。
- 参考スコア（独自算出の注目度）: 0.07249400282852116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning, and deep networks in particular, are increasingly used to derive higher-level Earth observation (EO) products such as annual land-cover and crop-type maps. Many are generated operationally: each year a new acquisition is processed, typically with the same model, extending a multi-year archive. In the process these systems accumulate two kinds of useful signal that are almost never fed back into the model: the system's own archive of past predictions, and ancillary layers produced by other partners in a processing consortium. Both are normally used outside the network, as rule-based post-processing or a fixed input mask. Using the Copernicus Land Monitoring Service High Resolution Layer (HRL) Croplands crop-type product as a testbed, we show that bringing both signals inside the model turns a single-year, single-task pixel classifier into one that reasons across years. We introduce a Crop Type (CTY) embedding encoder that represents each past prediction as a confidence-scaled, time-ordered categorical token and attends over the year axis, and we study how the externally provided Base Vegetation Layer (BVL) mask should be represented in the model's inputs and outputs. To compare designs fairly when they relabel non-crop pixels, we evaluate on the 18 crop classes only and report precision and recall separately. On a pan-European dataset of about 5.4M labelled pixels, adding the prediction history raises crop-only F1 by 1.6 percentage points (pp) and, more importantly, corrects a recall-skewed error profile, with the largest gains on perennial and tree crops (olives +4.6, fruits +3.7, nuts +3.2 pp). Representing the BVL mask consistently in both the history and the target year adds about 2.5 pp on the crop classes. The approach is a low-cost recipe for any recurring geospatial or foundation model that emits class maps.
- Abstract（参考訳）: 機械学習、特に深層ネットワークは、年次土地被覆や作物型地図のような高レベルの地球観測(EO)製品を導出するためにますます使われている。
毎年、新しい買収が、通常同じモデルで処理され、複数年にわたるアーカイブが拡張される。
この過程において、これらのシステムはモデルにほとんどフィードバックされない2種類の有用なシグナルを蓄積する:システムの過去の予測のアーカイブと、他のパートナーが処理コンソーシアムで生成した補助層である。
どちらも通常、ルールベースの後処理や固定入力マスクとしてネットワーク外で使用される。
Copernicus Land Monitoring Service High Resolution Layer (HRL) Croplands crop-type Productをテストベッドとして使用することにより、モデル内の両方の信号を1年単位のシングルタスクのピクセル分類器に変換できることが、何年にもわたって明らかになっている。
我々は,過去の予測を信頼度尺度で時間順のカテゴリトークンとして表現し,その年軸に参画するCrop Type (CTY) 埋め込みエンコーダを導入し,外部から提供されるベースベジテーション層 (BVL) マスクをモデルの入力と出力にどのように表現すべきかを検討する。
非クロップ画素を許容する設計を公平に比較するために、我々は18の作物クラスのみを評価し、精度とリコールを別々に報告する。
約5.4Mのラベル付きピクセルのパンヨーロッパデータセットでは、予測履歴を追加すると、作物のみのF1が1.6ポイント(pp)上昇し、さらに重要なことは、リコールスキュートエラープロファイルが修正され、多年生および樹木の作物(オリーブ+4.6、果物+3.7、ナッツ+3.2pp)が最大となる。
歴史と目標年の両方で一貫してBVLマスクを表わすと、作物のクラスで約2.5ppが加算される。
このアプローチは、クラスマップを出力するジオ空間またはファンデーションモデルに対して、低コストのレシピである。
関連論文リスト
- Intercomparison of Machine Learning Algorithms for Remote Sensing-based In-season Crop Mapping [2.890903045620196]
USDA Cropland Data Layerは30m解像度で作物タイプのラベルを提供する。
収穫前に作物の種類を満足のいく精度でマッピングする製品は存在しない。
インシーズンの作物型マッピングは、作物に対する気候関連の脅威がますます激化する中で、食品の安全のために重要である。
論文 参考訳（メタデータ） (2026-06-04T05:47:44Z) - 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) - VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。
この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。
一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
論文 参考訳（メタデータ） (2025-12-12T02:10:05Z) - Bayesian Modelling of Multi-Year Crop Type Classification Using Deep Neural Networks and Hidden Markov Models [12.282079123411947]
年次土地被覆地図の時間的一貫性は、長年にわたる土地被覆の進化と変化をモデル化する上で非常に重要である。
本稿では,深層学習とベイズモデルを組み合わせた年次衛星画像時系列(SITS)の分類に焦点をあてる。
提案手法は,SITS と SITS と SITS の複雑な時間的相関関係を多年作物型配列で捉えることを目的としている。
論文 参考訳（メタデータ） (2025-10-08T13:33:32Z) - Uncertainty-aware Bayesian machine learning modelling of land cover classification [0.0]
本稿では,入力測定の不確実性を考慮した生成モデルを用いたベイズ分類手法を提案する。
我々は、ランダムな森林やニューラルネットワークのような土地被覆マップで使われる一般的な分類モデルに対して、モデルの性能をベンチマークする。
論文 参考訳（メタデータ） (2025-03-27T13:59:19Z) - Localized Randomized Smoothing for Collective Robustness Certification [60.83383487495282]
我々は、あらゆる種類のモデルに対してより一般的な集合的ロバスト性証明を提案する。
このアプローチは、より大規模なソフトな局所モデルに対して有益であることを示す。
この証明書は、我々の新しい局所的ランダム化平滑化アプローチに基づいている。
論文 参考訳（メタデータ） (2022-10-28T14:10:24Z) - A Sentinel-2 multi-year, multi-country benchmark dataset for crop
classification and segmentation with deep learning [0.716879432974126]
Sen4AgriNetは、Sentinel-2ベースの時系列マルチカントリーベンチマークデータセットである。
カタルーニャとフランスの2016-2020年期間をカバーするために建設され、追加の国を含めることができる。
4250万のパーセルを含んでいるため、他の利用可能なアーカイブよりもはるかに大きい。
論文 参考訳（メタデータ） (2022-04-02T23:14:46Z) - Transformers Can Do Bayesian Inference [56.99390658880008]
我々はPFN(Presideed Data Fitted Networks)を提案する。
PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。
我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
論文 参考訳（メタデータ） (2021-12-20T13:07:39Z) - Two-dimensional Deep Regression for Early Yield Prediction of Winter
Wheat [0.0]
我々は、レーダー衛星画像と地上情報を組み合わせたデータに基づいて訓練された畳み込みニューラルネットワーク(CNN)を用いて、収量予測問題に取り組む。
我々は、Sentinel-1衛星から取得したレーダーデータを使用し、地上データは6つの特徴に対応する。
提案手法は,5つの比較手法よりも優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2021-11-15T20:40:15Z) - Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。
これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。
異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
論文 参考訳（メタデータ） (2021-06-08T06:13:11Z) - Recent Developments Combining Ensemble Smoother and Deep Generative
Networks for Facies History Matching [58.720142291102135]
本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。
本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
論文 参考訳（メタデータ） (2020-05-08T21:32:42Z)
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。