論文の概要: Kolmogorov-Arnold Networks for Spatially Independent Multispectral Land Classification

• arxiv url: http://arxiv.org/abs/2608.13769v1
• Date: Thu, 13 Aug 2026 20:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.211265
• Title: Kolmogorov-Arnold Networks for Spatially Independent Multispectral Land Classification
• Title（参考訳）: 空間独立型マルチスペクトル土地分類のためのコルモゴロフ・アルノルドネットワーク
• Abstract要約: 本研究では,Landsat 8画像を用いた土地分類のためのKolmogorov-Arnoldネットワークの評価を行った。 カルガリーデータセットでは、コルモゴロフ・アルノルドネットワークはランダム森林の精度と一致し、多層受容器よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.3499870393443268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Land classification from satellite imagery is important for land management, environmental monitoring, and urban planning. Machine learning methods such as random forests and multilayer perceptrons have shown strong performance on multispectral data, while the Kolmogorov-Arnold network has emerged as an alternative architecture with compact model structures. This study evaluates the Kolmogorov-Arnold network for land classification using Landsat 8 imagery and compares it with random forest and multilayer perceptron models. The models were trained and tested on data from Edmonton, Alberta and evaluated on an independent dataset from Calgary, Alberta across five land classes: agriculture, urban, water, forest, and bare ground. For the Calgary dataset, the Kolmogorov-Arnold network matched the accuracy of the random forest and outperformed the multilayer perceptron, while requiring substantially fewer trainable parameters and providing greater interpretability.
• Abstract（参考訳）: 衛星画像からの土地分類は、土地管理、環境モニタリング、都市計画において重要である。 ランダムフォレストや多層パーセプトロンのような機械学習手法は、マルチスペクトルデータに対して強い性能を示す一方で、コルモゴロフ・アルノルドネットワークは、コンパクトなモデル構造を持つ代替アーキテクチャとして登場した。 本研究では,Landsat 8画像を用いた土地分類のためのKolmogorov-Arnoldネットワークを評価し,無作為な森林と多層パーセプトロンモデルと比較した。 モデルは、アルバータ州エドモントン(Edmonton)のデータに基づいて訓練され、アルバータ州カルガリー(Calgary)から、農業、都市、水、森林、裸地という5つの地層にまたがる独立したデータセットで評価された。 カルガリーデータセットでは、コルモゴロフ・アルノルドネットワークはランダムな森林の精度と一致し、トレーニング可能なパラメータをかなり少なくし、より高い解釈性を提供しながら多層パーセプトロンを上回った。

関連論文リスト

• Revisiting Aerial Scene Classification on the AID Benchmark [1.529342790344802]
  本研究では,航空画像分類のための各種機械学習手法の文献レビューを行う。 私たちの調査では,手作り機能から従来のCNNまで,さまざまなアプローチをカバーしています。 また,マルチスケールな特徴融合機構を備えた空間的注意力向上CNNであるAerial-Y-Netを設計した。
  論文  参考訳（メタデータ） (2026-01-26T08:39:02Z)
• Intrinsic Explainability of Multimodal Learning for Crop Yield Prediction [36.766406330345525]
  マルチモーダル学習ネットワークを説明するために,トランスフォーマーベースモデルの本質的な説明性を活用する。 本研究は,サブフィールドレベルでの収量予測の課題に焦点を当てた。
  論文  参考訳（メタデータ） (2025-08-09T11:09:10Z)
• A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
  この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。 その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
  論文  参考訳（メタデータ） (2025-03-10T12:15:35Z)
• Enhancing kelp forest detection in remote sensing images using crowdsourced labels with Mixed Vision Transformers and ConvNeXt segmentation models [0.0]
  本研究では,クラウドソースラベルと高度な人工知能モデルを統合することにより,高速かつ高精度なケルプキャノピー検出パイプラインを開発する。 この手法は高い検出率を達成し、ケルプキャノピーを含む4ピクセル中3ピクセルを正確に同定した。 この研究は、機械学習モデルとクラウドソーシングデータを組み合わせることで、効果的でスケーラブルな環境モニタリングを可能にする可能性をも示している。
  論文  参考訳（メタデータ） (2025-01-23T12:12:31Z)
• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
  森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。 本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。 このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。 我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
  論文  参考訳（メタデータ） (2023-11-06T18:42:05Z)
• Ben-ge: Extending BigEarthNet with Geographical and Environmental Data [1.1377027568901037]
  本稿では,世界規模で利用可能な地理・環境データを自由にコンパイルすることで,BigEarthNet-MMデータセットを補完するben-geデータセットを提案する。 このデータセットに基づいて、パッチベースの土地利用/土地被覆分類と土地利用/土地被覆区分の下流タスクに異なるデータモダリティを組み合わせる価値を示す。
  論文  参考訳（メタデータ） (2023-07-04T14:17:54Z)
• Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
  我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。 また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。 我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
  論文  参考訳（メタデータ） (2023-03-28T17:59:05Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)

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。