論文の概要: Ground-to-Satellite Knowledge Distillation for Crop Classification under Temporal and Geographic Shift

• arxiv url: http://arxiv.org/abs/2610.37021v1
• Date: Tue, 27 Oct 2026 10:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.5721
• Title: Ground-to-Satellite Knowledge Distillation for Crop Classification under Temporal and Geographic Shift
• Title（参考訳）: 時間的・地理的変化下における作物分類のための地上-衛星知識蒸留
• Abstract要約: プレトレーニング衛星埋め込みに基づく作物分類において,地中写真が特権的管理に役立てられるかどうかを検討する。 地上監視は衛星の埋め込みを補完し、推論要求を変更することなく頑健性を向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 4.771571855863451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous and up-to-date crop type mapping is essential for agricultural monitoring but is often hampered by limited reference data. The growing availability of ground-level field photographs offers a promising way to address this challenge. When combined with satellite time series, these images provide complementary perspectives on the same parcel, capturing crop characteristics from distinctly different perspectives. However, field photographs are not always available for each satellite pixel at inference time, limiting their potential in scalable crop type mapping. We investigate whether ground photographs can provide privileged supervision for crop classification built on pretrained satellite embeddings. A photo teacher based on frozen CLIP features supervises classifiers trained on AlphaEarth and TESSERA representations; photographs are used only during training. On a paired field photo and satellite imagery dataset with 17 crop classes, knowledge distillation consistently improves over satellite-only classification; for frozen embeddings the margin grows under temporal shift, reaching up to +5.5 macro-F1 points, and widens in geographic holdouts (+3.7 vs +3.0 in-distribution). These results show that ground-view supervision can complement satellite embeddings and improve their robustness without changing inference requirements.
• Abstract（参考訳）: 農作物のモニタリングには, 農作物の連続的, 最新的マッピングが不可欠であるが, 限られた参照データによって阻害されることも多い。 地上レベルのフィールド写真の普及は、この課題に対処するための有望な方法を提供する。 衛星時系列と組み合わせると、これらの画像は同じ区画で補完的な視点を提供し、異なる視点から作物の特徴を捉えている。 しかし、フィールド写真は、推論時に各衛星の画素に対して常に利用可能ではなく、スケーラブルな作物型マッピングの可能性を制限している。 プレトレーニング衛星埋め込みに基づく作物分類において,地中写真が特権的管理に役立てられるかどうかを検討する。 凍結したCLIPに基づく写真教師は、AlphaEarthおよびTESSERA表現に基づいて訓練された分類器を監督する。 フィールド写真と衛星画像の17種類のデータセットでは、知識の蒸留は衛星のみの分類よりも常に改善され、凍結した埋め込みでは、マージンは時間的シフトの下で成長し、+5.5マクロF1点まで到達し、地理的なホールドアウト(+3.7 vs +3.0 in-distribution)で拡大する。 これらの結果から、地上監視は衛星の埋め込みを補完し、推論要求を変更することなく頑健性を向上させることができることがわかった。

関連論文リスト

• SenCLIP: Enhancing zero-shot land-use mapping for Sentinel-2 with ground-level prompting [9.263651699452996]
  SenCLIPは、ヨーロッパ各地のジオタグ付き地上画像と組み合わせた大量のSentinel-2画像のデータセットを利用して、CLIPをSentinel-2画像に転送する。 地上レベルの画像と衛星画像との整合性を示すアプローチでは,両方のプロンプトスタイルの分類精度が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2024-12-11T16:52:14Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Combining Satellite and Weather Data for Crop Type Mapping: An Inverse Modelling Approach [23.23933321161625]
  天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。 提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。 この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2024-01-29T04:15:22Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)
• Manipulating UAV Imagery for Satellite Model Training, Calibration and Testing [4.514832807541816]
  現代の家畜の農業はますますデータ駆動化が進み、広範囲のデータを収集するために効率的なリモートセンシングに依存している。 衛星画像はそのようなデータソースの1つであり、カバー範囲が増加しコストが低下するにつれて、農家にとってアクセスしやすくなっている。 本稿では,衛星データの品質に合わせた高分解能UAV画像の多時間データセットを提案する。
  論文  参考訳（メタデータ） (2022-03-22T03:57:02Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Attention-augmented Spatio-Temporal Segmentation for Land Cover Mapping [9.992909929182202]
  衛星データの空間的および時間的性質を共同利用するために、UNet構造と双方向LSTMおよび注意メカニズムを組み込んだ新しいアーキテクチャを紹介します。 世界中の複数地域で作物をマッピングする手法の評価を行った。
  論文  参考訳（メタデータ） (2021-05-02T05:39:42Z)
• Attentive Weakly Supervised land cover mapping for object-based satellite image time series data with spatial interpretation [4.549831511476249]
  本稿では,粗粒度ラベルの弱さをインテリジェントに活用できる,TASSELという新しいディープラーニングフレームワークを提案する。 私たちのフレームワークは、ブラックボックスをグレーにする目的で、モデル解釈可能性をサポートする追加のサイド情報も生成します。
  論文  参考訳（メタデータ） (2020-04-30T10:23:12Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。