論文の概要: Learning Woody Clearing With Loss Alignment for Zero-Shot Regrowth and Woody Segmentation

• arxiv url: http://arxiv.org/abs/2608.26489v1
• Date: Thu, 27 Aug 2026 00:24:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.205937
• Title: Learning Woody Clearing With Loss Alignment for Zero-Shot Regrowth and Woody Segmentation
• Title（参考訳）: ゼロショット回帰と木質セグメンテーションのための損失アライメントによる木質クリアリングの学習
• Abstract要約: オーストラリア・ニューサウスウェールズ州を横断するバイテンポラルセンチネル2画像を用いた木質変化検出モデルを構築した。 損失スケーリング係数$$を導入し、特定の$F_$スコアに対して最適化する目的を変換する。 本稿では,木質変化検出モデルによる再成長・木質セグメント化タスクへのゼロショット転送を可能にする入力画像の増大と生成手法を提案する。
• 参考スコア（独自算出の注目度）: 0.04024586290381058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting woody clearing is vital for managing biodiversity. Deep learning models can detect change in woody vegetation from bitemporal remote sensing imagery, however generated products may not meet end-user specifications due to unaligned loss definitions. Further limitations of deep learning models are the reliance on large datasets which can be difficult to attain for spatially rare and ambiguous events such as regrowth detection. In this work we train a model to detect woody change using bitemporal Sentinel-2 imagery consisting of 7 years' worth of annual imagery across the state of New South Wales, Australia. To align the objective of the model with end-user metrics, we introduce the loss scaling coefficient $α$ which transforms the objective to optimize for specific $F_β$ scores. Introducing $α$ was found to increase precision by 1.85x or recall by 1.12x. We propose input imagery augmentation and generation techniques that allow the woody change detection model to zero-shot transfer to regrowth and woody segmentation tasks. For woody segmentation, image generation techniques using activation maximization with low $α$ values for stability and image generation techniques derived from handcrafted features utilizing a mosaic of clearing patches and artificial trees for contextual grounding were found to outperform prior woody segmentation works of the study area, reducing the overall error by up to 18.2%. For zero-shot woody regrowth, creating pseudo-post and prior images resulted in the model achieving an F1 score of 0.845, creating a foundation for future regrowth detection work.
• Abstract（参考訳）: 森林伐採の検出は生物多様性の管理に不可欠である。 深層学習モデルは、バイテンポラルリモートセンシング画像から森林植生の変化を検出することができるが、生成した製品は、不整合損失定義のためにエンドユーザー仕様に適合しない可能性がある。 ディープラーニングモデルのさらなる制限は、再成長検出のような空間的に稀であいまいな事象に到達し難い大規模なデータセットへの依存である。 本研究は,オーストラリア・ニューサウスウェールズ州で7年分の年次画像からなるバイテンポラル・センチネル2画像を用いて,木質変化を検出するモデルを訓練する。 モデルの目的をエンドユーザーメトリクスに合わせるために、損失スケーリング係数$α$を導入し、特定の$F_β$スコアに対して最適化する目的を変換する。 α$の導入により精度が1.85倍、リコールが1.12倍向上した。 本稿では,木質変化検出モデルによる再成長・木質セグメント化タスクへのゼロショット転送を可能にする入力画像の増大と生成手法を提案する。 木質セグメンテーションでは, 木質セグメンテーションにおいて, 低値の安定性によるアクティベーション最大化を用いた画像生成技術と, クリーニングパッチと人工樹木のモザイクを用いた手作り特徴を用いた画像生成技術が, 研究領域の木材セグメンテーションよりも優れており, 全体の誤差を最大18.2%削減できることがわかった。 ゼロショット木製再生では擬似ポストと先行画像が作成され、F1スコアは0.845となり、将来の再成長検出の基盤となった。

関連論文リスト

• Mapping Woody Vegetation from Multi-Source Imagery and Prediction Fusion for Enhanced Data Efficiency and Accuracy [0.04024586290381058]
  ツリーカバーマッピングは信頼性が高く高品質な画像を必要とし、正確なモデル出力を保証するために雲や天候の欠陥がない。 ディープラーニングアプローチは、人間の介入を最小限に抑えた高品質なマップを生成することができるが、成功するためには大量の人間の注釈付きデータが必要である。 本稿では,ディープラーニングモデルのデータ効率とロバスト性向上を目的としたフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-26T23:54:54Z)
• Forestpest-YOLO: A High-Performance Detection Framework for Small Forestry Pests [3.9627432442852544]
  本稿では,森林リモートセンシングのニュアンスに巧みに最適化された検出フレームワークであるフォレストペスト・ヨロを紹介する。 まず、ダウンサンプリングモジュールであるSPD-Convを統合し、ネットワーク全体を通して小さなターゲットに関する重要な高解像度の詳細が保存されるようにします。 これは、背景雑音を抑えながらマルチスケールの特徴表現を動的に強化する新しいクロスステージ機能融合ブロック、CSPOKによって補完される。
  論文  参考訳（メタデータ） (2025-10-01T06:06:40Z)
• Zero-Shot Tree Detection and Segmentation from Aerial Forest Imagery [1.2770132985501168]
  現在のRGBツリーセグメンテーション手法は、ラベル付きツリーデータセットを用いた特別な機械学習モデルのトレーニングに依存している。 本稿では,最先端画像分割モデルであるSegment Anything Model 2 (SAM2) を,個々の木の検出とセグメンテーションのためにゼロショット方式で使用することの有効性について検討する。 その結果,SAM2は印象的な一般化能力を持つだけでなく,ドメイン内のラベル付きデータに基づいて訓練された特殊な手法で自然なシナジーを形成することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-03T17:44:43Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• MOODv2: Masked Image Modeling for Out-of-Distribution Detection [57.17163962383442]
  本研究は,様々なOODスコア関数を用いて,個別の事前学習課題について検討する。 当社のフレームワークMOODv2は,14.30%のAUROCをImageNetで95.68%に向上し,CIFAR-10で99.98%を達成した。
  論文  参考訳（メタデータ） (2024-01-05T02:57:58Z)
• Improving FHB Screening in Wheat Breeding Using an Efficient Transformer Model [0.0]
  フサリウム・ヘッド・ブライト(Fusarium head blight)は、小さな穀物に毎年重大な経済的損失をもたらす壊滅的な病気である。 FHBの早期検出のために,教師付き機械学習アルゴリズムを用いて画像処理技術を開発した。 変圧器モデルにU-Netネットワークの局所表現機能を統合するために,新しいContext Bridgeを提案する。
  論文  参考訳（メタデータ） (2023-08-07T15:44:58Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery [1.4589991363650008]
  この研究は、初めて、個々の木(ノルウェー・スプルース)を5つの崩壊段階に自動的に分類した。 3つの異なる機械学習手法 - 3Dポイントクラウドベースのディープラーニング(KPConv)、畳み込みニューラルネットワーク(CNN)、ランダムフォレスト(RF)。 KPConv、CNN、RFの合計精度は88.8%、88.4%、85.9%に達した。
  論文  参考訳（メタデータ） (2023-01-04T22:20:16Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
  このデータセットをRIVAL10と呼びます。 本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。 本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
  論文  参考訳（メタデータ） (2022-01-26T06:31:28Z)
• A fast accurate fine-grain object detection model based on YOLOv4 deep neural network [0.0]
  商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。 本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。 提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
  論文  参考訳（メタデータ） (2021-10-30T17:56:13Z)

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。