論文の概要: Multi-task Disentangling Fusion Mamba-CNN for MODIS Spectral-Temporal Unmixing with Endmember Variability Modeling
- arxiv url: http://arxiv.org/abs/2610.36750v1
- Date: Tue, 27 Oct 2026 07:07:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.531478
- Title: Multi-task Disentangling Fusion Mamba-CNN for MODIS Spectral-Temporal Unmixing with Endmember Variability Modeling
- Title（参考訳）: MODISスペクトル-テンポラルアンミックスのためのマルチタスクディエンタングリング・フュージョン・マンバ-CNN
- Abstract要約: スペクトル-時間アンミックスは、アバンダンスマッピングやスペクトルライブラリ構築のような応用に不可欠である。
本稿では,これらの制約に対処するためのマルチタスク Disentangling Fusion Mamba を提案する。
- 参考スコア（独自算出の注目度）: 2.2908040562543905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectral-temporal unmixing of MODIS time series is essential for applications such as abundance mapping and spectral library construction, yet it remains challenging due to (i) spectral-temporal information coupling in MODIS data, (ii) intra-class endmember spectral variability and inter-class signature ambiguity, and (iii) the instability of naively fusing multiple expert representations. This paper presents the Multi- task Disentangling Fusion Mamba (MDF-Mamba) to address these limitations. To resolve spectral-temporal coupling, we design a disentangling architecture that pairs per-channel spectral experts with a dedicated bidirectional state-space (Mamba) temporal branch. Convolutional modules each process a single spectral channel, while the Mamba branch encodes the cross-channel seasonal trajectory, forming a multi-branch expert ensemble with soft inter-expert reweighting based on squeeze-and-excitation. For the integration of these spectral and temporal expert outputs, we introduce mHCFusion, adapting the manifold-constrained hyper-connection framework to merge the outputs in a stable and interpretable manner. Endmember variability is addressed by extending the linear mixing model with pixel-wise learnable spectral variability weights that capture intra-class endmember variation. Finally, we design a multi-task training objective that combines supervised abundance estimation with self-supervised spectral reconstruction and endmember regularization terms on the same training data, yielding a highly efficient framework for spectral-temporal unmixing. Experiments on MODIS time series covering the Alberta and Saskatchewan provinces show that MDF-Mamba achieves the best performance on 12 of 14 evaluation metrics across both datasets (7 of 7 on Alberta; 5 of 7 on Saskatchewan), ranking second on the remaining two.
- Abstract（参考訳）: MODIS時系列のスペクトル-時間的アンミックスは、豊富なマッピングやスペクトルライブラリ構築のような応用には不可欠であるが、それでも困難である。
i)MODISデータにおけるスペクトル時間情報結合
二 クラス内終端スペクトルのばらつき及びクラス間符号曖昧性
(三)複数の専門家表現を和らげることの不安定性
本稿では,これらの制約に対処するため,MDF-Mamba(Multi-Task Disentangling Fusion Mamba)を提案する。
スペクトル-時間的結合を解決するために、チャネルごとのスペクトルエキスパートと専用の双方向状態空間(Mamba)時間分岐をペアリングするアンタングルアーキテクチャを設計する。
畳み込みモジュールはそれぞれ単一のスペクトルチャネルを処理し、Mambaブランチはチャネル間の季節軌道を符号化し、圧縮と励起に基づくソフトな専門家間の重み付けによるマルチブランチの専門家アンサンブルを形成する。
これらのスペクトルおよび時間的エキスパート出力を統合するために、安定かつ解釈可能な方法で出力をマージするために、多様体制約のハイパーコネクションフレームワークを適用するmHCFusionを導入する。
終端変動は、線形混合モデルを拡張して、クラス内変動を捉えた画素単位の学習可能なスペクトル変動重みで対処する。
最後に、教師付きアビダンス推定と自己教師付きスペクトル再構成と、同じトレーニングデータに基づく終端正規化項を組み合わせたマルチタスク学習目標を設計し、スペクトル時間的アンミックスのための高効率なフレームワークを提供する。
アルバータ州とサスカチュワン州を対象とするMODIS時系列実験により、MDF-マンバは、両方のデータセット(アルバータ州では7つ、サスカチュワン州では7つ)で14の指標のうち、最高性能を達成した。
関連論文リスト
- MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。
MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。
HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
論文 参考訳（メタデータ） (2026-06-22T10:14:06Z) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - Continuous-Time Distribution Matching for Few-Step Diffusion Distillation [57.28746398500951]
本稿では,CDM(Continuous-Time Distribution Matching)を導入し,DMDフレームワークを個別アンカーから連続最適化へ移行する。
まず、固定離散スケジュールをランダム長の動的連続スケジュールに置き換える。
第二に、学生の速度場を介して外挿された潜伏者に対してアクティブな軌道外マッチングを行う連続時間アライメント目的を提案する。
論文 参考訳（メタデータ） (2026-05-07T14:56:39Z) - DMS2F-HAD: A Dual-branch Mamba-based Spatial-Spectral Fusion Network for Hyperspectral Anomaly Detection [2.9390578280177153]
ハイパースペクトル異常検出(HAD)は,高次元ハイパースペクトル画像において,まれかつ不規則なターゲットを特定することを目的としている。
DMS2F-HADは,新しい2分岐マンバモデルである。
本アーキテクチャは,マンバの線形時間モデルを用いて,空間的特徴とスペクトル的特徴を効率よく学習する。
論文 参考訳（メタデータ） (2026-02-04T00:37:29Z) - MoHETS: Long-term Time Series Forecasting with Mixture-of-Heterogeneous-Experts [0.8292000624465587]
実世界の時系列は、グローバルな傾向、局所的な周期性、非定常的な体制を含む複雑なマルチスケール構造を示すことができる。
MoHETSはSparse Mixture-of-Heterogeneous-Expertsレイヤを統合している。
パラメータ重リニアプロジェクションヘッドを軽量な畳み込みパッチデコーダに置き換える。
論文 参考訳（メタデータ） (2026-01-29T15:35:26Z) - Multi-modal Adaptive Estimation for Temporal Respiratory Disease Outbreak [8.861941883057098]
MAESTROは、スペクトル時間モデリングとマルチモーダルデータ融合を統合する、新しく統一されたフレームワークである。
香港の11年以上のデータから評価すると、MAESTRO は R-square 0.956 に適合する優れたモデルを実現している。
モジュラーで再現可能なパイプラインは、他の地域や病原体への展開と拡張を容易にするために公開されている。
論文 参考訳（メタデータ） (2025-09-10T13:27:40Z) - Hyperspectral Mamba for Hyperspectral Object Tracking [56.365517163296936]
Mamba (HyMamba) を用いた新しいハイパースペクトル物体追跡ネットワークを提案する。
状態空間モジュール(SSM)によるスペクトル、クロスディープス、時間モデリングを統一する。
HyMambaは、7つのベンチマークデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-09-10T03:47:43Z) - Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram [6.62414474989199]
スペクトル領域にファジィクラスタリングフレームワークを導入し、変数間の周波数特異なモノトニックな関係を抽出する。
本手法は、クラスタリング精度を向上させるために、周波数ベースのクロスリージョン接続パターンを優先的に活用する。
フラッグシップアプリケーションとして脳波記録を解析し,潜在認知状態の周波数・接続性特異的マーカーを明らかにする。
論文 参考訳（メタデータ） (2025-06-28T12:02:01Z) - LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。
我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
論文 参考訳（メタデータ） (2025-06-20T14:48:42Z) - Content-aware Balanced Spectrum Encoding in Masked Modeling for Time Series Classification [25.27495694566081]
マスクド・モデリング・スキームにおけるスペクトル空間の符号化品質を最適化する補助的コンテンツ認識バランスド・デコーダ(CBD)を提案する。
CBDは一連の基本ブロックを反復し、2つの調整されたユニットのおかげで、各ブロックは徐々にマスクされた表現を洗練させることができた。
論文 参考訳（メタデータ） (2024-12-17T14:12:20Z)
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。