論文の概要: Weakly Supervised Polar Low Segmentation in Sentinel-1 SAR Imagery

• arxiv url: http://arxiv.org/abs/2608.14366v1
• Date: Fri, 14 Aug 2026 15:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.413727
• Title: Weakly Supervised Polar Low Segmentation in Sentinel-1 SAR Imagery
• Title（参考訳）: センチネル-1 SAR画像における極低セグメンテーションの弱補正
• Abstract要約: 極低気圧は、高緯度で急速に形成される激しい海洋性サイクロンである。 ディープラーニングは、SAR(Synthetic Aperture Radar)イメージでそれらを検出することができる。 訓練用にピクセルレベルのマスクは使用できず、極低度は本質的に主観的である。 我々は,画像レベルのラベルからのみマスクを生成するために,ソフトターゲットを用いた制約付き領域消去(CREST)を提案する。
• 参考スコア（独自算出の注目度）: 19.116847623970212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polar lows are intense maritime cyclones that form rapidly at high latitudes. Deep learning can detect them in Synthetic Aperture Radar (SAR) imagery, but pixel-level segmentation remains an open challenge. No pixel-level masks are available for training, and a polar low's extent is inherently subjective, with diffuse boundaries that even experts delineate inconsistently. We propose Constrained Region Erasing with Soft Targets (CREST), a Weakly Supervised Semantic Segmentation (WSSS) framework that generates masks solely from image-level labels. Our approach builds on Adversarial Erasing (AER), which iteratively mines discriminative regions, erases them, and retrains a classifier to reveal complementary cues that become pseudo-labels for segmentation. However, standard AER also collects irrelevant background features, degrading pseudo-label quality. CREST addresses this with (i) a Constrained Ordinal Region Expansion (CORE) module that encodes the spatial-connectedness prior of polar lows, constraining region expansion from a high-confidence seed, and (ii) a Dynamic Bootstrapping (DB) loss that treats the mining order as a proxy for label reliability, attenuating supervision from noisier, later-mined regions. On Sentinel-1 SAR data, CREST follows the cyclone structure more closely than standard AER, and returns a multi-class rather than binary mask whose classes indicate the reliability assigned to each region. We further evaluate on BUS-UCLM breast ultrasound and PASCAL VOC person data, whose targets satisfy the same connectedness prior but come with the dense masks the SAR data lacks. On both datasets, CREST performs better than the equivalent AER pipeline under identical settings.
• Abstract（参考訳）: 極低気圧は、高緯度で急速に形成される激しい海洋性サイクロンである。 深層学習はSAR(Synthetic Aperture Radar)画像で検出できるが、ピクセルレベルのセグメンテーションは未解決の課題である。 訓練用にピクセルレベルのマスクは使用できず、極低度は本質的に主観的であり、専門家でさえ矛盾する境界線を持つ。 画像レベルラベルのみからマスクを生成するWSSS(Weakly Supervised Semantic Segmentation)フレームワークであるCREST(Constrained Region Erasing with Soft Targets)を提案する。 提案手法は, 識別領域を反復的にマイニングし, 消去し, セグメンテーションのための擬似ラベルとなる補完的手がかりを明らかにするために, 分類器を再訓練する, 適応的消去 (Adversarial Erasing, AER) に基づいている。 しかし、標準のAERは無関係なバックグラウンド機能を収集し、擬似ラベルの品質を低下させる。 CRESTはこの問題に対処する 一 極低の前の空間接続性を符号化し、高信頼種子からの領域拡大を制約する制約付き規則領域拡張(CORE)モジュール (ii) ラベル信頼性のプロキシとしてマイニング順序を扱う動的ブートストラップ(DB)損失により、ノイズの多い後発のリージョンからの監視が緩和される。 Sentinel-1 SARデータでは、CRESTは標準のAERよりもサイクロン構造に従っており、各リージョンに割り当てられた信頼性を示すクラスを持つバイナリマスクではなく、マルチクラスを返す。 さらに,BUS-UCLM乳房超音波とPASCALVOC人物データについて検討した。 どちらのデータセットでも、CRESTは同じ設定で同等のAERパイプラインよりもパフォーマンスがよい。

関連論文リスト

• Risk-Routed Implicit Boundary Refinement for Robust Ultrasound Image Segmentation [18.131387259630262]
  RIBRは、境界制限の暗黙的残差、リスクを減らした残差制御、および幾何学とスペックルを意識した境界正則化を組み合わせたものである。 リンパ節,乳腺病変,甲状腺結節,前立腺の9つの米国データセットの評価 これらの結果から,暗黙的残差学習は資源制約と境界感受性の米国セグメンテーションの実践的戦略であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-23T20:07:50Z)
• High-Resolution Flood Mapping With Sentinel-1 and Sentinel-2 via Misalignment-Robust Cross-Sensor Learning and Generative Despeckling [1.458346800173785]
  この研究は、キュレートされた学習戦略と新しい学習戦略を通じて制約に共同で対処する統合的な洪水マッピングフレームワークを提案する。 筆者らは,アメリカ大陸を包含する新しいSentinel-2 (S2) とSentinel-1 (S1) データセットを導入し,既存のベンチマークで不足している,挑戦的な気象条件と都市環境に焦点を当てた画素精度10mの水面を特徴とした。 UNetとUNet++アーキテクチャを用いた実験では、シフト不変損失とCVAEに基づく非特異化を用いた場合、強いマルチスペクトル性能(AUPRC 0.956)とSARフラッドマッピングの統計的に有意な改善が示されている。
  論文  参考訳（メタデータ） (2026-06-29T16:19:59Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• From Global to Local: Rethinking CLIP Feature Aggregation for Person Re-Identification [20.74226476678832]
  中間パッチトークンとCLIPのテキスト埋め込み空間でパラメータ化されたアンカーベクトルを整列することで、同一性表現を再構築するSAGA-ReIDを提案する。 制御された実験は、2つの定性的に異なる条件下で凝集機構を分離する。 ベンチマーク評価では、CLIP-ReIDよりも標準設定と無視設定で一貫したゲインを確認している。
  論文  参考訳（メタデータ） (2026-04-24T03:37:21Z)
• Towards Realistic Open-Vocabulary Remote Sensing Segmentation: Benchmark and Baseline [52.65099689153431]
  オープンボキャブラリリモートセンシングイメージセグメンテーション(OVRSIS)は、データセットの断片化、トレーニングの多様性の制限、評価ベンチマークの欠如などにより、まだ探索されていない。 我々はOVRSISの大規模かつアプリケーション指向のベンチマークである textitOVRSISBenchV2 を提案する。 以上の結果から,リアルなベンチマーク設計の重要性と,OVRSISの摂動型転送の有効性が示唆された。
  論文  参考訳（メタデータ） (2026-04-17T02:49:46Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Promptable Foundation Models for SAR Remote Sensing: Adapting the Segment Anything Model for Snow Avalanche Segmentation [18.28485164485434]
  効果的な検出モデルのトレーニングには、ドメインの専門家による高品質なアノテーションによる大規模なデータセットの収集が必要である。 我々は、自然画像に基づいて訓練されたセグメンテーション基礎モデルであるSegment Anything Model(SAM)を構築し、それをSentinel-1 SARデータに調整する。 ドメインギャップを軽減するためのアダプタ,マルチチャネルSAR入力を処理する複数のエンコーダ,雪崩局所化精度を改善するためのプロンプトエンジニアリング戦略,エンコーダのトレーニング時間を制限するトレーニングアルゴリズムを組み合わせることで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2026-01-03T15:41:12Z)
• Leveraging CORAL-Correlation Consistency Network for Semi-Supervised Left Atrium MRI Segmentation [14.296441810235223]
  半教師付き学習(SSL)は、ラベル付き画像とラベルなし画像の両方から学習するために広く使われている。 現在のSSLベースのセグメンテーションメソッドの多くは、ラベル付きデータとラベルなしデータの類似した特徴を識別するためにピクセル値を直接使用する。 我々は,グローバルな構造形状と左房の局所的詳細を捉えるために,CORAL(Correlation-Aligned)-Correlation Consistency Network (CORN)を導入した。
  論文  参考訳（メタデータ） (2024-10-21T11:46:28Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
  オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。 今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。 本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T10:45:51Z)

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。