論文の概要: Cropland PAtteRNS: Parallel Dimensional Attention Networks and Attention to Dataset Disparity for Crop Segmentation in Satellite Imagery Time Series Data

• arxiv url: http://arxiv.org/abs/2609.38165v1
• Date: Tue, 29 Sep 2026 17:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.831371
• Title: Cropland PAtteRNS: Parallel Dimensional Attention Networks and Attention to Dataset Disparity for Crop Segmentation in Satellite Imagery Time Series Data
• Title（参考訳）: Cropland PAtteRNS:Parallel dimensional Attention Networks and Attention to Dataset Disparity for Crop Segmentation in Satellite Imagery Time Series Data
• Abstract要約: 我々は,ハイブリッドトランスモデルであるCropland Parallel Attention and Refinement Network for (PAtteRNS)を提案する。 本稿では, 並列トランスアーキテクチャを導入し, 自己アテンションの計算複雑性を大幅に低減する。 以上の結果から,多くの重要なセグメンテーション指標で検証された作物分類セグメンテーションのタスクにおいて,我々のモデルが他のすべてのセグメンテーションよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The landscape of satellite imagery time series datasets and boundary-pushing architectures for cropland segmentation has never been richer. However, in this gold rush, important truths are being missed on both fronts, as a drive for the most novel concepts or the largest datasets pushes finer details to the side. In this paper, we present our hybrid transformer-convolutional model, Cropland Parallel Attention and Refinement Network for Segmentation (PAtteRNS), the first model to use self-attention mechanisms separately for each of the temporal, spectral, and spatial aspects of Sentinel-2 multispectral SITS data. To achieve fully-factorised attention in our proposed model, we introduce a novel parallel transformer architecture which significantly reduces the computational complexity of triple-factorised self-attention. We validate our architecture with an in-depth ablation study, and analyse the performance of our model against state-of-the-art crop segmentation models on multiple tile-size variants of the popular PASTIS and MTLCC datasets. Our findings show our model to outperform all others in the task of crop class segmentation, verified across multiple important segmentation metrics, with especially strong performance against compared models seen in the often under-reported parcel delineation quality, for which we use the Boundary IoU metric. We also find that flawed class groupings within datasets can have a significant negative impact on model performance, and report that alternate tile-size variants of crop segmentation datasets produce results incomparable to one-another, invalidating fair comparison between model performance when trained on different tile-sizes. Based on these findings, we suggest further work is required to standardise best practices when constructing SITS crop segmentation datasets, and to enable future dynamic-tile-sizing for ideal model performance.
• Abstract（参考訳）: 衛星画像時系列データセットのランドスケープと、農地区分のための境界更新アーキテクチャは、決して豊かではない。 しかし、このゴールドラッシュでは、最も新しい概念や最大のデータセットの原動力として、両方の面で重要な真実が見逃されている。 本稿では,Cropland Parallel Attention and Refinement Network for Segmentation (PAtteRNS) というハイブリッドトランスフォーマー・畳み込みモデルを提案する。 提案モデルでは, 並列トランスフォーマアーキテクチャを導入し, 3倍の自己アテンションの計算複雑性を著しく低減する。 我々は,このアーキテクチャを詳細なアブレーション研究により検証し,一般的なPASTISおよびMTLCCデータセットの複数のタイルサイズ変種に対する最先端の作物分割モデルに対するモデルの性能解析を行った。 以上の結果から, 作物分類セグメンテーションの課題において, 作物分類セグメンテーションの課題において, 作物分類セグメンテーションの課題において, 作物分類セグメンテーションの課題において, 作物分類セグメンテーションの課題において, 作物分類セグメンテーションの課題において, 比較モデルよりも優れていることが示唆された。 また、データセット内の欠陥クラスグループ化がモデル性能に顕著な悪影響を及ぼす可能性があること、および、異なるタイルサイズでトレーニングされた場合のモデルパフォーマンスの公正な比較を無効にすることで、作物の分節データセットの代替タイルサイズのバリエーションが結果を生み出すことを報告した。 これらの結果から,SITSの作物分割データセット構築におけるベストプラクティスの標準化と,モデル性能の理想的な動的タイルサイズの実現に向けたさらなる取り組みが必要であることが示唆された。

関連論文リスト

• PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
  本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。 U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。 我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-03-28T02:47:46Z)
• DepthCropSeg++: Scaling a Crop Segmentation Foundation Model With Depth-Labeled Data [8.868203469534269]
  DepthCropSeg++は作物のセグメンテーションの基礎モデルであり、オープンフィールド環境下で異なる作物種をセグメンテーションすることができる。 最先端のセマンティックセグメンテーションアーキテクチャであるViT-Adapterアーキテクチャを構築し、動的 UpAdapterアーキテクチャで拡張し、2段階の自己学習パイプラインでモデルをトレーニングする。 結果は、DepthCropSeg++が包括的なテストセットで93.11%のmoUを達成したことを示している。
  論文  参考訳（メタデータ） (2026-01-18T11:51:09Z)
• RemoteSAM: Towards Segment Anything for Earth Observation [29.707796048411705]
  我々は、地球観測のための頑健でフレキシブルな視覚基盤モデルを開発することを目指している。 多様な視覚的目標を認識し、位置を特定する能力を持つべきである。 いくつかの地球観測知覚ベンチマークで新しいSoTAを確立する基盤モデルであるRemoteSAMを提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:27:57Z)
• TMT-VIS: Taxonomy-aware Multi-dataset Joint Training for Video Instance Segmentation [48.75470418596875]
  大規模データセットのトレーニングは、ビデオインスタンスセグメンテーションのパフォーマンスを高めることができるが、VISのデータセットは労働コストが高いためスケールアップが難しい。 私たちが持っているものは、多数の独立した提出された特定のデータセットであり、データ量と多様性を高めるためにデータセットの集合をまたいだモデルを共同でトレーニングすることが魅力です。 我々は、YouTube-VIS 2019、YouTube-VIS 2021、OVIS、UVOの4つの人気で挑戦的なベンチマークで、広範囲に評価を行っている。 本モデルでは,ベースラインソリューションよりも大幅に改善され,すべてのベンチマークで新たな最先端レコードが設定される。
  論文  参考訳（メタデータ） (2023-12-11T18:50:09Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• An Empirical Study on Multi-Domain Robust Semantic Segmentation [42.79166534691889]
  我々は、いくつかの人気セグメンテーションデータセットに基づいて、ドメイン間でうまく機能することが期待される統一モデルをトレーニングする。 RVC 2022セマンティックセマンティックセグメンテーションタスクでは,データセットは第1モデルの1/3に過ぎなかった。
  論文  参考訳（メタデータ） (2022-12-08T12:04:01Z)
• MSeg: A Composite Dataset for Multi-domain Semantic Segmentation [100.17755160696939]
  セマンティックセグメンテーションデータセットを異なるドメインから統合する合成データセットであるMSegを提案する。 一般化と画素レベルのアノテーションのアライメントを調整し,2万枚以上のオブジェクトマスクを8万枚以上の画像で再現する。 MSegでトレーニングされたモデルは、WildDash-v1のリーダーボードで、トレーニング中にWildDashのデータに触れることなく、堅牢なセマンティックセグメンテーションのためにランク付けされている。
  論文  参考訳（メタデータ） (2021-12-27T16:16:35Z)
• Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
  我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。 これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。 異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
  論文  参考訳（メタデータ） (2021-06-08T06:13:11Z)

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。