論文の概要: Beyond Weak Labels: Prompt-Guided Local Refinement for Weakly Supervised Water Segmentation in High-Resolution Multispectral Imagery

• arxiv url: http://arxiv.org/abs/2609.10371v1
• Date: Wed, 09 Sep 2026 16:01:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.101078
• Title: Beyond Weak Labels: Prompt-Guided Local Refinement for Weakly Supervised Water Segmentation in High-Resolution Multispectral Imagery
• Title（参考訳）: 高分解能マルチスペクトル画像における弱修正水分画のための急速ガイド型局所微細化法
• Abstract要約: 高解像度の水マッピングは環境モニタリングと関連するアプリケーションをサポートするが、正確なピクセルレベルのラベルを作成するのは難しい。 公式な水路学ベクトルは弱い監督を提供するが、境界ノイズ、時間的ミスマッチ、小さな水構造の欠落などの人工物を含んでいる。 高分解能マルチスペクトル画像における弱教師付き水分割のための2段階フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: High-resolution water mapping supports environmental monitoring and related applications, but accurate pixel-level labels are difficult and costly to produce. Official hydrographic vectors provide scalable weak supervision, but they contain artifacts like boundary noise, temporal mismatch, and omissions of small water structures. We propose a two-stage framework for weakly supervised water segmentation in high resolution multispectral imagery. Stage 1 learns initial masks from rasterized vector pseudo-labels, and Stage 2 converts these masks into structured component-wise prompts for localized refinement. On a manually corrected validation set, refinement improves SegFormer-B0 from 0.9509 to 0.9535 IoU and U-Net from 0.9408 to 0.9486 IoU, with corresponding F1 gains from 0.9749 to 0.9762 and 0.9695 to 0.9736. It leads to sharper shorelines, reduced boundary spillover, and better thin-structure delineation. The results indicate that prompt-guided refinement can improve pseudo-label-based water segmentation by targeting local errors that are poorly captured by global training supervision.
• Abstract（参考訳）: 高解像度の水マッピングは環境モニタリングと関連するアプリケーションをサポートするが、正確なピクセルレベルのラベルは製造が困難でコストがかかる。 公式な水路学ベクトルは、スケーラブルな弱い監督を提供するが、境界ノイズ、時間的ミスマッチ、小さな水構造の欠落などの人工物を含んでいる。 高分解能マルチスペクトル画像における弱教師付き水分割のための2段階フレームワークを提案する。 ステージ1はラスタ化ベクトル擬似ラベルから初期マスクを学習し、ステージ2はこれらのマスクを局所化精製のための構造化コンポーネントワイズプロンプトに変換する。 手動で修正した検証セットでは、SegFormer-B0が0.9509から0.9535IoU、U-Netが0.9408から0.9486IoUに改善され、対応するF1は0.9749から0.9762、0.9695から0.9736になった。 海岸線が鋭くなり、境界線が流出しやすくなり、より細い構造になっている。 以上の結果から,グローバルトレーニングの監督下において不十分な局所的誤りをターゲットとして,擬似ラベルによる水分流域の改善が期待できることが示された。

関連論文リスト

• EcoVision: AI-Powered Drone Imaging for Salt Marsh Vegetation Monitoring and Dominance Mapping [0.0]
  このフレームワークは、2つの生態学的に重要なハロ植物草(Spartina maritimaとPuccinellia maritima)を標的とした。 これらの植物を画像から識別するために,我々は,信頼性の高い種マスクを得た。 EcoVisionと名付けられたこの開発システムは、スケーラブルで高解像度の塩沼モニタリングのための実用的な基盤を確立している。
  論文  参考訳（メタデータ） (2026-07-07T10:16:31Z)
• Rethinking Conditional Generation for Underwater Salient Object Detection [69.38806804258452]
  コンディショナル・ジェネレーション・ネットワーク(DCGNet)は、水中のサリエンシ生成のための信頼性の高いコンディショナル・特徴を構築するために設計されている。 DCGNetは既存の最先端手法を著しく上回り、複雑な水中視覚応用の可能性を検証している。
  論文  参考訳（メタデータ） (2026-07-02T07:48:06Z)
• Analytical Logit Scaling for High-Resolution Sea Ice Topology Retrieval from Weakly Labeled SAR Imagery [1.6984114279983211]
  高解像度の海氷マッピングは北極航法と気候モニタリングに不可欠である。 粗い地域レベルの多角形(弱いラベル)のみを提供する運用用氷チャート 本研究では,Sentinel-1 SAR と AMSR-2 を融合した弱教師付き深層学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-13T20:21:33Z)
• Geographically-Weighted Weakly Supervised Bayesian High-Resolution Transformer for 200m Resolution Pan-Arctic Sea Ice Concentration Mapping and Uncertainty Estimation using Sentinel-1, RCM, and AMSR2 Data [0.6138671548064355]
  本研究では,200m級高分解能SICマッピングのための新しい高分解能トランスフォーマ手法を提案する。 提案手法は2021年と2025年にパン・アルクティック最小限条件下で評価された。 その結果,Sentinel-1データを用いた0.70の総合的特徴検出精度が得られた。
  論文  参考訳（メタデータ） (2026-03-03T20:23:11Z)
• Automated river gauge plate reading using a hybrid object detection and generative AI framework in the Limpopo River Basin [0.0]
  本研究では, 視覚に基づく水線検出, YOLOv8 のポーズスケール抽出, 自動河川ゲージプレート読取のための大規模マルチモーダル言語モデルを組み合わせたハイブリッドフレームワークを提案する。 実験の結果、水線検出は94.24%、F1スコアは83.64%に達し、スケールギャップ検出は正確な幾何的校正を行い、その後に読み取ることができた。 その結果, 画像品質に対するLCMの感度が向上し, 劣化した画像は高い誤差を生じ, 幾何メタデータとマルチモーダル人工知能を組み合わせることの重要性が強調された。
  論文  参考訳（メタデータ） (2025-12-29T13:26:59Z)
• FishDetector-R1: Unified MLLM-Based Framework with Reinforcement Fine-Tuning for Weakly Supervised Fish Detection, Segmentation, and Counting [12.040327353059945]
  魚の発見, セグメンテーション, 計数のためのMLLMベースの統合フレームワークである FishDetector-R1 を紹介する。 DeepFishデータセットでは,ベースラインよりも大幅に向上し,APを20%,mIoUを10%,MAEを30%,GAMEを35%削減した。
  論文  参考訳（メタデータ） (2025-12-01T06:23:56Z)
• Scale-DiT: Ultra-High-Resolution Image Generation with Hierarchical Local Attention [50.391914489898774]
  Scale-DiTは、階層的な局所的注意を低解像度のグローバルガイダンスで導入する新しい拡散フレームワークである。 軽量なLoRA適応は、デノナイズ中のグローバルパスとローカルパスをブリッジし、構造と詳細の整合性を確保する。 実験によると、Scale-DiTは2ドル以上の高速な推論とメモリ使用量の削減を実現している。
  論文  参考訳（メタデータ） (2025-10-18T03:15:26Z)
• Character-Level Perturbations Disrupt LLM Watermarks [64.60090923837701]
  我々は,Large Language Model (LLM)ウォーターマーキングのためのシステムモデルを定式化する。 我々は、透かし検出器への限られたアクセスに制約された2つの現実的な脅威モデルの特徴付けを行う。 我々は,最も制限的な脅威モデルの下で,キャラクタレベルの摂動が透かし除去に著しく有効であることを実証した。 現実的な制約下での透かし除去における文字レベルの摂動の優位性と遺伝的アルゴリズム(GA)の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2025-09-11T02:50:07Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment [76.80165589520385]
  細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。 1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
  論文  参考訳（メタデータ） (2022-03-02T04:24:05Z)
• Semi-Supervised StyleGAN for Disentanglement Learning [79.01988132442064]
  現在の解離法は、いくつかの固有の制限に直面している。 半教師付き高分解能ディスタングル学習のためのStyleGANに基づく新しいアーキテクチャと損失関数を設計する。
  論文  参考訳（メタデータ） (2020-03-06T22:54:46Z)

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。