論文の概要: Calibrated Weak Supervision for Post-Harvest Burned-Cropland Mapping Under Label Scarcity

• arxiv url: http://arxiv.org/abs/2610.05040v1
• Date: Sun, 04 Oct 2026 08:17:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:56:49.095812
• Title: Calibrated Weak Supervision for Post-Harvest Burned-Cropland Mapping Under Label Scarcity
• Title（参考訳）: ラベルスカルシティ下でのハーベスト燃焼クロップランドマッピングのための校正弱視
• Abstract要約: 放火後の焼き畑は、火が小さく、断片化され、信頼できるラベルが不足している場合、マッピングが困難である。 本研究では, センチネル2スペクトル変化, VIIRS アクティブ・ファイア・コンテキスト, MODIS MCD64A1 を粗い外部キャリブレーションと合意基準として用いて, インド・パンジャーブの弱スーパービジョン・フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Mapping post-harvest burned cropland is difficult when fires are small and fragmented and reliable labels are scarce. We developed a calibrated weak-supervision framework for Punjab, India, using Sentinel-2 spectral change, VIIRS active-fire context, and MODIS MCD64A1 as a coarse external calibration and agreement reference. Three pseudo-label recipes, five feature representations, and linear, tree-based, boosted, and neural classifiers were evaluated using nested district-held-out cross-validation over three seeds and five folds. NBR and dNBR were excluded from classifier inputs. The best configuration used the very-strict recipe, a multilayer perceptron, and the full optical feature set (mean Cohen's kappa 0.395, AUROC 0.753, F1 0.747, balanced accuracy 0.703); Random Forest, XGBoost, and LightGBM were practically tied. Higher agreement with held-out pseudo-labels did not establish improved label correctness or independent burned-area accuracy. For deployment, a Random Forest with the very-strict recipe and full optical features was retained. An externally calibrated threshold of 0.60 yielded district-level MODIS agreement of R-squared 0.636, a mapped-to-MODIS burned-area ratio of 1.005, and Spearman correlation of 0.779 with district fire counts. Pixel-level MODIS agreement remained modest (F1 0.205, kappa 0.093). Zero-shot transfer to Haryana was promising (mean kappa 0.641), but Punjab cross-year stability was weak, and Sentinel-1/Sentinel-2 feature concatenation did not improve the optical baseline. Optical observations ended before the seasonal fire context, limiting coverage of late burns. The framework supports district-scale burden assessment and hotspot screening, with limited support for exact scar boundaries or temporally stable annual mapping.
• Abstract（参考訳）: 火が小さく、断片化され、信頼性の高いラベルが不足している場合、収穫後の焼畑のマッピングは困難である。 本研究では、センチネル2スペクトル変化、VIIRSのアクティブファイアコンテキスト、MODIS MCD64A1を粗い外部キャリブレーションおよび合意基準として用いたインド・パンジャーブのキャリブレーション弱スーパービジョンフレームワークを開発した。 3つの擬似ラベルレシピ, 5つの特徴表現, 線形, 木ベース, 強化, 神経分類器を, 3つの種子と5つの折り目に対してネストした地区保持型クロスバリデーションを用いて評価した。 NBRとdNBRは分類器入力から除外された。 最高の構成では、非常に制限的なレシピ、多層パーセプトロン、フル光学機能セット(コーエンのカッパ0.395、AUROC 0.753、F1 0.747、バランスの取れた精度 0.703)、ランダムフォレスト、XGBoost、ライトGBMが実質的に結び付けられていた。 保持された擬似ラベルとのより高い合意は、ラベルの正しさや独立焼成精度を向上させるものではなかった。 配備のため、非常に限定的なレシピと完全な光学的特徴を備えたランダムフォレストが維持された。 外部校正しきい値0.60は、R2乗0.636の地域レベルMODIS合意、マップド・ツー・MODIS燃焼面積比1.005、スピアマン相関0.779は地区火災数と一致した。 ピクセルレベルのMODIS合意は控えめなままであった(F1 0.205、Kappa 0.093)。 ハリアナへのゼロショット転送は有望であったが(つまりカッパ0.641)、パンジャーブの年次安定性は弱く、センチネル-1/センチネル-2の結合は光学ベースラインを改良しなかった。 観測は季節的な火災の文脈の前に終了し、後期の火傷のカバーを制限した。 このフレームワークは、地域規模の負担評価とホットスポットスクリーニングをサポートし、正確な傷跡境界や時間的に安定した年次マッピングを限定的にサポートしている。

関連論文リスト

• When local gains fail to transfer: Frozen Earth-observation embeddings across wildfires [41.99844472131922]
  凍結した地球観測の埋め込みは、ほぼ完全に1つの研究領域内で空間的に遮断されたクロスバリデーションによって判断される。 線形プローブとラベルのみを必要とするプロトコルを用いて,この数値が新しい領域の精度を予測できないことを示す。
  論文  参考訳（メタデータ） (2026-09-28T08:35:15Z)
• Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions [87.95757610455173]
  我々は、x演算グリッドとSO-OPFをサポートするために、インジェクティブに整合した残余セルアウトプロトコルを導入する。 グリッドが分かっているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの質問を分離する。
  論文  参考訳（メタデータ） (2026-08-06T15:38:55Z)
• Calibrated Tree-Neural Fusion for Fine-Grained Vegetation Community Classification [5.365444289459681]
  Calibrated EcoTreeFuseNet-Plusはツリーニューラル確率融合フレームワークである。 提案したモデルでは精度0.8000、マクロF1スコア0.7768、バランス精度0.7903、MCC0.7903が達成された。 その結果,小さめ,きめ細かい生態分類のための信頼性の高い識別・校正トレードオフが示された。
  論文  参考訳（メタデータ） (2026-07-27T08:37:49Z)
• CADENCE: Closing the Reasoning Gap via Coverage-Adaptive On-Policy Distillation [2.587194279527956]
  CADENCEは統合されたフレームワークで、各障害モードに対してターゲットとなる修正を行う。 DRIFTは、学生サンプル軌道上の前方KLと逆KLのサロゲートを混合したトーケンの凸をスケジュールする。 A)COVA、(B)FTB、(B)大域正規化エントロピー参照による高エントロピー位置での勾配集中、(D)LAP、可視性優先正しいロールアウト強化、(E)エントロピー非依存キャリブレーション
  論文  参考訳（メタデータ） (2026-07-18T20:16:26Z)
• LLM-Driven Neural Network Generation with Same-Family Architecture Guidance: Disentangling Transfer and Adaptation [48.83701310501069]
  大規模言語モデル(LLM)はニューラルネットの修正を生成することができるが、制限のない生成はしばしば無効または有害である。 本稿では、ニューラルネットワークデータベースからより強力な同族源モデルを用いて、弱いターゲットモデルを改善するという、より狭い設定について研究する。 我々は,ソース制御,ソース条件付き候補,非LLM hp_copy アブレーションを含むソース誘導型候補生成プロトコルを,同等の評価予算の下で提案する。
  論文  参考訳（メタデータ） (2026-07-06T23:59:18Z)
• The Gentle Collapse: Distributional Metrics for Continual Learning [7.30570760963699]
  本報告では, 真のラベルランク(TLR), 予測信頼度, および, 連続的な忘れを特徴付ける分布の分散度にまたがる6つのソフトマックス由来の指標について紹介する。 CIFAR-100では、これらの指標が正確でない情報を持っている:0%の精度で、Confusion Marginは[0.32, 0.50]のICCにまたがっており、精度は同じである。 損失重みとして使用されるサンプル単位のスコアは、CIFAR-100上の統一経験リプレイ(ER)よりも1.3ポイント少ない。
  論文  参考訳（メタデータ） (2026-06-23T20:53:06Z)
• 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)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Secure and Explainable Fraud Detection in Finance via Hierarchical Multi-source Dataset Distillation [17.90471000973834]
  訓練されたランダム森林は、透明で軸方向の規則領域に変換される。 合成トランザクションは、各領域内で一様にサンプリングすることによって生成される。 これにより、コンパクトで監査可能なサロゲートデータセットが生成される。
  論文  参考訳（メタデータ） (2025-12-26T05:00:35Z)
• Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning [46.232038247686745]
  フェデレートラーニング(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。 複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
  論文  参考訳（メタデータ） (2025-09-08T11:07:47Z)

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。