論文の概要: Pixel-Level Transformers in Remote Sensing: A Canopy Height Case Study

• arxiv url: http://arxiv.org/abs/2609.37809v1
• Date: Tue, 29 Sep 2026 15:25:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.682382
• Title: Pixel-Level Transformers in Remote Sensing: A Canopy Height Case Study
• Title（参考訳）: リモートセンシングにおけるPixel-Level Transformerの応用
• Abstract要約: 画素レベルのアテンションスキームを考慮し、その結果のモデルが一般により大きなパッチサイズに依存しているモデルよりも優れていることを示す。 予測品質と資源要求との良好なトレードオフを特定するために,効率的な注意変動を用いた広範な実験を行った。 本研究では,中解像度衛星画像における画素レベルの回帰タスクのモデル設計のための実用的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 1.662399014093111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting canopy height from medium-resolution satellite imagery is a common and scalable approach for assessing the condition of the world's forests, which play a crucial role in climate change mitigation. While Transformer-based architectures have shown strong performance in many domains, their straightforward application to dense (i.e., pixel-level) regression tasks often yields suboptimal results. In particular, the patch size has a crucial impact on the model performance. In this work, we consider pixel-level attention schemes and show that the resulting models generally outperform those relying on larger patch sizes. However, pixel-level attention can be a prohibitively resource-intensive operation. For this reason, we conduct an extensive experimental study using efficient attention variants to identify favorable trade-offs between prediction quality and resource requirements, facilitating the practical deployment of the proposed models. In addition, we perform a comprehensive comparison with several well-established models in the field and show that, with suitable hyperparameter choices, Transformer-based architectures can outperform competing approaches. Our findings provide practical guidance for designing models for pixel-level regression tasks on medium-resolution satellite imagery, including canopy height and biomass estimation, soil moisture mapping, and yield forecasting.
• Abstract（参考訳）: 中高解像度衛星画像からの天蓋の高さの予測は、気候変動の緩和に重要な役割を果たす世界の森林の状態を評価するための一般的でスケーラブルなアプローチである。 トランスフォーマーベースのアーキテクチャは多くの領域で高いパフォーマンスを示しているが、それらが高密度(ピクセルレベル)の回帰タスクへの直接的な適用は、しばしば準最適結果をもたらす。 特に、パッチサイズはモデルのパフォーマンスに重大な影響を与えます。 本研究では,画素レベルのアテンション・スキームを考察し,その結果のモデルがより大きなパッチサイズに依存しているモデルよりも一般的に優れていることを示す。 しかし、ピクセルレベルの注目は資源集約的な操作である可能性がある。 そこで本研究では,予測品質と資源要求との良好なトレードオフを特定するために,効率的な注意変動を用いた広範な実験を行い,提案モデルの実用的展開を容易にする。 さらに、この分野で確立されたいくつかのモデルと包括的な比較を行い、最適なハイパーパラメータ選択により、Transformerベースのアーキテクチャは競合するアプローチより優れていることを示す。 本研究は, キャノピー高さ, バイオマス推定, 土壌水分マッピング, 収量予測など, 中高分解能衛星画像の画素レベルの回帰タスクを設計するための実用的なガイダンスを提供する。

関連論文リスト

• A Benchmark Study of Segmentation Models and Adaptation Strategies for Landslide Detection from Satellite Imagery [6.439624950887985]
  衛星画像からの地すべり検出は災害対応とリスク評価にとって重要な課題である。 現代のセグメンテーションアーキテクチャの相対的効果とこの問題に対する微調整戦略は未だ十分に理解されていない。 本稿では,畳み込みニューラルネットワーク,トランスフォーマーベースセグメンテーションモデル,地すべり検出のための大規模事前学習基盤モデルについて,系統的なベンチマーク研究を行う。
  論文  参考訳（メタデータ） (2026-04-17T19:45:38Z)
• Baltimore Atlas: FreqWeaver Adapter for Semi-supervised Ultra-high Spatial Resolution Land Cover Classification [9.706130801069143]
  ランドカバー分類は、サブメーターリモート画像上でのランドカバータイプを特定する。 既存の手法のほとんどは1mの画像にフォーカスし、大規模なアノテーションに大きく依存している。 本稿では,大規模トレーニングデータへの依存度を低減するため,土地被覆分類フレームワークであるボルチモア・アトラスを紹介する。
  論文  参考訳（メタデータ） (2025-06-18T15:41:29Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• Hierarchical Information Flow for Generalized Efficient Image Restoration [108.83750852785582]
  画像復元のための階層型情報フロー機構であるHi-IRを提案する。 Hi-IRは、劣化した画像を表す階層的な情報ツリーを3段階にわたって構築する。 7つの共通画像復元タスクにおいて、Hi-IRはその有効性と一般化性を達成する。
  論文  参考訳（メタデータ） (2024-11-27T18:30:08Z)
• Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
  我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。 また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。 我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
  論文  参考訳（メタデータ） (2023-03-28T17:59:05Z)
• Advancing Plain Vision Transformer Towards Remote Sensing Foundation Model [97.9548609175831]
  約1億のパラメータを持つプレーンビジョントランスフォーマーを利用して、リモートセンシングタスク用にカスタマイズされた大規模なビジョンモデルを提案する。 具体的には、RS画像における大きな画像サイズと様々な向きのオブジェクトを扱うために、回転する様々なウィンドウアテンションを提案する。 検出タスクの実験は、DOTA-V1.0データセット上で81.16%のmAPを達成したすべての最先端モデルよりも、我々のモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-08T09:08:40Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• DepthFormer: Exploiting Long-Range Correlation and Local Information for Accurate Monocular Depth Estimation [50.08080424613603]
  高精度な単分子深度推定には長距離相関が不可欠である。 我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。 提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
  論文  参考訳（メタデータ） (2022-03-27T05:03:56Z)
• A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
  本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。 我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
  論文  参考訳（メタデータ） (2021-12-07T05:22:50Z)

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。