論文の概要: Multi-Label Proportion Learning for Sea-Ice Type Prediction

• arxiv url: http://arxiv.org/abs/2609.16347v1
• Date: Mon, 14 Sep 2026 21:09:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.242476
• Title: Multi-Label Proportion Learning for Sea-Ice Type Prediction
• Title（参考訳）: 海氷型予測のためのマルチラベル比例学習
• Abstract要約: 海氷型予測は、北極地域の気候モニタリング、海洋航法、意思決定に重要である。 ディープラーニングモデルは、トレーニングのためにパッチレベル(またはピクセルレベル)ラベルデータを必要とし、アイスチャートはポリゴンレベルアノテーションのみを提供する。 本稿では,ポリゴンレベルの氷チャートラベルを直接利用できるような,弱教師付き多ラベル比例学習問題として,海氷型予測を再定義する。
• 参考スコア（独自算出の注目度）: 0.4199844472131921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sea-ice type prediction is important for climate monitoring, maritime navigation, and decision-making in polar regions. The main source of label data for this task is the ice chart, produced manually by ice analysts who interpret satellite imagery to delineate ice zones into polygons. Although ice charts are valuable, their production is labor-intensive and expensive, motivating recent efforts to automate the process using deep learning. However, deep learning models require patch-level (or pixel-level) label data for training, while ice charts provide only polygon-level annotations. As a workaround, supervised approaches often create approximate patch-level labels from polygon-level ice chart labels by assigning each sample the dominant ice type of its parent polygon. This approach enables supervised training but creates an ill-posed learning problem with intrinsically approximate solution. In this paper, we redefine sea-ice type prediction as a weakly supervised multi-label proportion learning problem to be able to directly use the polygon-level ice chart labels and avoid unnecessary label approximation for improved prediction accuracy. To address this problem, we propose a two-module framework where first Multiple Instance Learning (MIL) is used for water--ice classification, and then a multi-label proportion learning (MLPL) is introduced for ice-type composition prediction. We further extend this framework with a multimodal model that integrates SAR imagery with AMSR2 brightness temperatures and ERA5 reanalysis data through modality-guided auxiliary regularization. Evaluated on the AI4Arctic dataset, the SAR-only model reduces MAE by 14.5\% and more than doubles mean ice-class F1 over the best supervised baseline. The multimodal model further reduces MAE by 21.5\% and raises mean F1 by 41.2\% over the SAR-only model, and by 52.7\% over the supervised multimodal baseline.
• Abstract（参考訳）: 海氷型予測は、北極地域の気候モニタリング、海洋航法、意思決定に重要である。 このタスクのラベルデータの主なソースは氷図であり、衛星画像を解釈して氷帯をポリゴンに分類する氷アナリストによって手動で作成されている。 氷のチャートは価値はあるが、その生産は労働集約的で高価であり、近年のディープラーニングによるプロセスの自動化の動機となっている。 しかし、ディープラーニングモデルは、トレーニングのためにパッチレベル(またはピクセルレベル)ラベルデータを必要とし、アイスチャートはポリゴンレベルアノテーションのみを提供する。 回避策として、監督されたアプローチは、それぞれのサンプルを親ポリゴンの支配的な氷タイプに割り当てることで、ポリゴンレベルの氷チャートラベルから近似パッチレベルラベルを作成することが多い。 このアプローチは教師あり学習を可能にするが,本質的に近似した学習問題を生じさせる。 本稿では,海氷型予測を弱教師付きマルチラベル比例学習問題として再定義し,ポリゴンレベルの氷チャートラベルを直接利用できるようにし,不要なラベル近似を回避して予測精度を向上させる。 この問題に対処するため,第1次MIL(Multiple Instance Learning)を水面分類に使用し,第2次MLPL(Multiple-label proportion Learning)を氷型組成予測に導入する2モジュールフレームワークを提案する。 我々はさらに、SAR画像とAMSR2輝度温度を統合するマルチモーダルモデルと、モード誘導補助正則化によるERA5再解析データにより、このフレームワークを拡張した。 AI4Arcticデータセットに基づいて、SARのみのモデルでは、MAEが14.5\%減少し、最も監督されたベースラインよりも2倍以上の平均氷クラスF1が減少する。 マルチモーダルモデルはさらにMAEを21.5\%減少させ、平均F1をSARのみのモデルで41.2\%、教師付きマルチモーダルベースラインで52.7\%上昇させる。

関連論文リスト

• 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)
• In-Depth and In-Breadth: Pre-training Multimodal Language Models Customized for Comprehensive Chart Understanding [113.17601814293722]
  様々なチャートタイプにまたがる詳細なチャート理解に最適化されたLVLMであるChartScopeを紹介する。 そこで本研究では,多種多様なグラフ型のペアデータを生成する,効率的なデータ生成パイプラインを提案する。 また、異なるレベルでの質問回答だけでなく、基礎となるデータ理解を評価するための新しいベンチマークであるChartDQAも確立しました。
  論文  参考訳（メタデータ） (2025-07-18T18:15:09Z)
• Assessing Foundation Models for Sea Ice Type Segmentation in Sentinel-1 SAR Imagery [2.255599116578844]
  本研究では,Sentinel-1画像を用いた海氷型セグメンテーションの基礎モデル10点について検討した。 選択されたモデルの中で、Prithvi-600Mはベースラインモデルより優れており、CROMAはF1スコアで非常によく似たパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-28T15:21:08Z)
• Partial Label Learning with Focal Loss for Sea Ice Classification Based on Ice Charts [2.0270474485799017]
  本稿では,海氷分類を学習するための新しいGeoAI手法を提案する。 我々は、ポリゴンレベルのラベルを候補部分ラベルとして扱い、対応する氷濃度を各ラベルの信頼性スコアとして割り当て、焦点損失と統合して畳み込みニューラルネットワーク(CNN)を訓練する。 提案手法により,Sentinel-1双偏極SAR画像の海氷分類性能が向上し,分類精度が87%から92%に向上し,F-1スコアが90%から93%に向上した。
  論文  参考訳（メタデータ） (2024-06-05T22:49:30Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• PixelDINO: Semi-Supervised Semantic Segmentation for Detecting Permafrost Disturbances [15.78884578132055]
  融解によって引き起こされる地すべりに匹敵する永久凍土障害であるRTS(regressive thaw slumps)の遠隔検出に焦点を当てた。 本稿では,RTS検出のためのセマンティックセグメンテーションモデルを訓練するための半教師付き学習手法を提案する。 当社のフレームワークであるPixelDINOは,ラベル付きデータと非ラベル付きデータとを並行してトレーニングしています。
  論文  参考訳（メタデータ） (2024-01-17T15:20:10Z)
• Label Denoising through Cross-Model Agreement [43.5145547124009]
  ノイズのあるラベルを記憶することはモデルの学習に影響を与え、準最適性能をもたらす可能性がある。 雑音ラベルから堅牢な機械学習モデルを学習するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-27T00:31:04Z)
• Semi-Supervised 2D Human Pose Estimation Driven by Position Inconsistency Pseudo Label Correction Module [74.80776648785897]
  i) 大規模モデルと軽量モデルの間で対話的なトレーニングを行う場合, 大規模モデルのガイドに擬似的な軽量モデルラベルを用いる。 位置整合性擬似ラベル補正モジュール(SSPCM)により駆動される半教師付き2次元ポーズ推定フレームワークを提案する。 学生モデルの性能向上のために,擬似キーポイント認識に基づく半教師付きカットオクルードを用いて,より硬く効果的なサンプルを生成する。
  論文  参考訳（メタデータ） (2023-03-08T02:57:05Z)
• Cross Modal Distillation for Flood Extent Mapping [0.41562334038629595]
  本研究では,早期洪水警報システムの浸水検出モジュールの改良を目的としたML手法について検討する。 提案手法は,SAR(Synthetic Aperture Radar)画像とMulti-spectralとSAR(Synthetic Aperture Radar)画像のアンラベリングデータセットを利用する。
  論文  参考訳（メタデータ） (2023-02-16T09:57:08Z)
• EmbedDistill: A Geometric Knowledge Distillation for Information Retrieval [83.79667141681418]
  大規模なニューラルモデル(トランスフォーマーなど)は、情報検索(IR)のための最先端のパフォーマンスを達成する 本研究では,大規模教師モデルで学習したクエリとドキュメント間の相対的幾何を利用した新しい蒸留手法を提案する。 提案手法は, 両エンコーダ (DE) とクロスエンコーダ (CE) の2種類の教師モデルから, 95～97%の教師性能を維持できる1/10の非対称な学生への蒸留に成功した。
  論文  参考訳（メタデータ） (2023-01-27T22:04:37Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Cross-Model Pseudo-Labeling for Semi-Supervised Action Recognition [98.25592165484737]
  CMPL(Cross-Model Pseudo-Labeling)と呼ばれる,より効果的な擬似ラベル方式を提案する。 CMPLは、それぞれRGBモダリティとラベル付きデータのみを使用して、Kinetics-400とUCF-101のTop-1の精度を17.6%と25.1%で達成している。
  論文  参考訳（メタデータ） (2021-12-17T18:59:41Z)
• Graph-PCNN: Two Stage Human Pose Estimation with Graph Pose Refinement [54.29252286561449]
  グラフPCNNと呼ばれる2段階のグラフベースおよびモデルに依存しないフレームワークを提案する。 第1段階では、粗局化結果を得るために熱マップ回帰ネットワークを適用し、ガイドポイントと呼ばれる一連の提案キーポイントをサンプリングする。 第2段階では、各案内点について、ローカライゼーションにより異なる視覚特徴を抽出する。 ガイドされた点間の関係は、より正確なローカライゼーション結果を得るためにグラフポーズ精製モジュールによって探索される。
  論文  参考訳（メタデータ） (2020-07-21T04:59:15Z)

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。