論文の概要: From Foundation Embeddings to Cropland Maps: Label Efficiency, Temporal Transferability and Independent Human Validation
- arxiv url: http://arxiv.org/abs/2609.17138v1
- Date: Tue, 15 Sep 2026 13:04:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.531293
- Title: From Foundation Embeddings to Cropland Maps: Label Efficiency, Temporal Transferability and Independent Human Validation
- Title（参考訳）: 基礎埋め込みからクローンランドマップへ:ラベル効率、時間移動性、独立人検証
- Abstract要約: 地理空間基盤モデルは、下流マッピングをサポートする衛星画像の再利用可能な表現を提供する。
アメリカ合衆国メイン州において,AlphaEarthの年次埋没が二分栽培-無栽培マッピングをサポートするかを評価する。
- 参考スコア（独自算出の注目度）: 0.45998296599540095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geospatial foundation models provide reusable representations of satellite imagery that support downstream mapping with limited task-specific modelling. We evaluate whether annual AlphaEarth embeddings support binary cultivated-versus-non-cultivated mapping in Maine, USA, using 192 spatially separated patches and labels derived from the USDA Cropland Data Layer (CDL). Without fine-tuning the foundation model, a lightweight classifier reaches 93.7% overall accuracy and 90.8% balanced accuracy on held-out patches. Logistic regression is within 0.3 percentage points of a gradient-boosted ensemble, while a nearest-class-centroid rule, which uses class centroids but fits no parameters, reaches 90.2%. A balanced sample of 60,000 labelled pixels is within 1.3 percentage points of the full pool of 8.6 million pixels; because pixels are spatially autocorrelated, this result concerns pixel-sample efficiency rather than 60,000 independent annotation sites. In a same-region transfer experiment, classifiers trained in one year remain accurate across 2018 to 2023. Against a blind, two-interpreter consensus at 385 randomly sampled points in one contiguous 2023 block, the AlphaEarth-plus-random-forest map agrees at 95.3% ($κ=0.82$), compared with 91.7% for the CDL ($κ=0.72$; exact two-sided McNemar $p=0.0161$). This local result is consistent with partial smoothing of CDL label noise, but it does not establish statewide correction of the reference product. On the same points, the difference from a fine-tuned TerraMind segmentation model is not statistically significant (95.3% versus 93.5%; $p=0.14$), and the experiment is not a controlled comparison of computational cost. These results support frozen geospatial embeddings as a low-compute candidate for regional cropland mapping, subject to the limits of a single-state study, a 30 m-derived training reference, and a one-block human validation.
- Abstract（参考訳）: 地理空間基盤モデルは、限られたタスク固有のモデリングによる下流マッピングをサポートする衛星画像の再利用可能な表現を提供する。
我々は,USDA Cropland Data Layer (CDL) から抽出した192個の空間分離パッチとラベルを用いて,米国メイン州におけるαEarthの年次埋込みが二分栽培-無栽培マッピングをサポートするか否かを評価する。
基礎モデルを微調整することなく、軽量の分類器は全体の93.7%の精度と90.8%のバランスの取れたパッチに到達した。
ロジスティック回帰は勾配に傾いたアンサンブルの0.3パーセント以内であり、最寄りのクラスセントロイド規則は、クラスセントロイドを用いるがパラメータに適合せず、90.2%に達する。
6万個のラベル付きピクセルのバランスの取れたサンプルは860万ピクセルのフルプールの1.3パーセントの範囲内である。
同地域移動実験では、2018年から2023年まで1年で訓練された分類器が正確である。
2023年の1ブロックでランダムにサンプリングされた385点の盲目2解釈のコンセンサスに対して、AlphaEarth-plus-random-forest mapは95.3%(κ=0.82$)であり、CDLは91.7%(κ=0.72$、正確には2辺のMcNemar $p=0.0161$)である。
この局所的な結果は、CDLラベルノイズの部分的平滑化と一致しているが、基準積の州全体の補正は確立していない。
同じ点において、微調整されたTerraMindセグメンテーションモデルとの差は統計的に有意ではない(95.3%対93.5%;$p=0.14$)。
これらの結果は, 単州調査の限界, 30m由来のトレーニング基準, および1ブロックの人間による検証を対象とし, 地空間埋め込みを低計算量で地域作物マッピングの候補として支持する。
関連論文リスト
- GeoAI-based post-segmentation quality validation of building footprints via spatial feature engineering [1.3277276618043652]
ディープラーニングに基づくビルディングフットプリント抽出は、直接GISデータベースの取り込みのためのトップ一貫性のないベクトルを生成することが多い。
ベクトルフットプリントデータベースを浄化するエラー検出を自動化するマルチドメインGeoAI品質管理フレームワークを提案する。
このフレームワークは、誤ったフットプリントの87.34%を識別し、許容可能な構造の98.31%を維持した。
論文 参考訳（メタデータ） (2026-08-10T02:55:07Z) - GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling [1.0875426095207128]
本稿では,物理インフォームドニューラルネットワーク(PINN)を導入する。
我々は、距離、隣接性、通勤性、およびリードラグ情報から構築された空間先行を正規化する。
Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。
論文 参考訳（メタデータ） (2026-07-28T05:59:23Z) - Farmland Extent and Visible Boundary Mapping from 1 m NAIP Imagery Using Residual U-Net and Text-Prompted SAM 3 Refinement [0.0]
農地地図は、しばしばプロプライエタリ、不完全、時代遅れである。
本研究では,1m NAIP RGB画像から農地の範囲と可視境界をマッピングするための再現可能なワークフローを提案する。
この製品は、カダストラル・パーセル・マップではなく、セマンティック・ファームランド・既存層であり、現在のフィールド層が利用できないような農業モニタリングをサポートする。
論文 参考訳（メタデータ） (2026-07-24T00:44:09Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Automated Proving of Shannon-Type Entropy Inequalities via Fine-Tuned Language Models and Guided Tree Search [50.16356451328644]
シャノン型エントロピーの不等式を証明することは情報理論の基本的な課題である。
我々は,原子実証のステップを微調整した小規模大規模言語モデルがこのプロセスを自動化することができるか検討する。
GPT-5.5は0ショットプロンプトで1.7%のサンプルを解き、Psitipは33.3%のサンプルを解いた。
論文 参考訳（メタデータ） (2026-06-04T05:43:12Z) - Efficient Transformer-Based Localized Patch Sampling for Choroid Plexus Segmentation in Multiple Sclerosis [26.831715552066694]
両側心室脈絡膜叢 (LVCP) は, 身体障害と神経炎症に関連する多発性硬化症 (MS) の指標として認識されている。
本研究の目的は,スタンドアロンおよびマルチモーダルMRI入力からMS内のLVCPを自動的に分割するSwinUNETR駆動パイプラインを開発することである。
論文 参考訳（メタデータ） (2026-06-02T12:32:43Z) - Beyond Inference-Only Deployment: Comparing Weight-Based Consolidation Against Cascading Compaction [1.6214121783846343]
本研究は,1つのコンシューマ上でのLow-Rank Adaptation (LoRA)ファインチューニングにより,インタラクション知識をモデルウェイトに夜間に集約することを評価する。
10つの現実的なソフトウェア開発の会話の中で、カスケードのコンパクト化は36.8 +/-3.0%の知識を保持する。
LoRAは、相互作用知識を合成、合成、Low-Rank Adaptation (LoRA)ファインチューニングを通じてモデルウェイトに集約する。
論文 参考訳（メタデータ） (2026-05-23T16:57:25Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。
このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。
本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:14:20Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-06-23T07:38:09Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。