論文の概要: UnMixMamba: Unmixing Guided State Space Subpixel Mapping of Crops from MODIS Time Series

• arxiv url: http://arxiv.org/abs/2610.38507v1
• Date: Wed, 28 Oct 2026 09:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:28:16.801888
• Title: UnMixMamba: Unmixing Guided State Space Subpixel Mapping of Crops from MODIS Time Series
• Title（参考訳）: UnMixMamba: MODIS時系列からのクロップのガイド付き状態空間サブピクセルマッピング
• Abstract要約: SI250mモデレート分解能イメージング分光放射計(MODIS)時系列からフィールドスケール農業・アグリフードカナダ(AAFC)ラベルへのサブピクセルマッピングは、エーカー推定と農業モニタリングをサポートする。 3つの困難が残っている: (i)スペクトル時間結合と混合画素は、直接粗大な分類器を破る; (ii)1つの作物に1つのスペクトルが捕捉できないようなクラス内不変変数は、 (iii)全てのサブピクセルを同一に扱う高分解能(HR)グリッド上の一様精製である。 UnMixMamba アドレス
• 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: Subpixel mapping (SPM) of crop types from \SI{250}{m} Moderate Resolution Imaging Spectroradiometer (MODIS) time series to field-scale Agriculture and Agri-Food Canada (AAFC) labels supports acreage estimation and agricultural monitoring. Three difficulties remain: (i)~spectral-temporal coupling and mixed pixels that break direct coarse-to-fine classifiers; (ii)~intra-class endmember variability that a single spectrum per crop cannot capture; and (iii)~uniform refinement on the high-resolution (HR) grid, which treats every subpixel the same, so most of the effort goes to easy pixels while errors remain in the minority class. UnMixMamba addresses them as follows. For~(i), a temporal-spectral-spatial decoupled (TSSD) factorization estimates simplex fractions and drives AAFC classification from the same mixture field, instead of mapping low-resolution (LR) observations directly to HR logits. For~(ii), \(\times 8\) abundance super-resolution and a learnable per-crop variant endmember bank reconstruct the MODIS cube at LR and HR under a linear mixing model. For~(iii), the predicted crop fractions decide where a fixed Mamba token budget is spent, so HR refinement focuses on the minority class instead of the full grid. On Alberta 2015 under a fixed spatial-block protocol, UnMixMamba reaches OA 0.8397, mIoU 0.6640, AA 0.7837, and Kappa 0.7715, ahead of ST-DRes, ESPCN, FineCrop, AgriFM, and classical SPM baselines. The task is closed-set four-crop mapping inside a known agricultural mask.
• Abstract（参考訳）: 作物のサブピクセルマッピング (SPM) は、SI{250}{m} モード分解能イメージング分光放射計 (MODIS) 時系列からフィールドスケール農業・アグリフードカナダ (Agri-Food Canada, AFC) ラベルまで、エーカー推定と農業モニタリングをサポートする。 3つの難題が残る。 (i) 直接粗い分類器を破るスペクトル時間結合及び混合画素 (ii)-作物当たりの1つのスペクトルが捕捉できないイントラクラスエンドメンバーの変動 (iii)-高分解能(HR)グリッド上の一様精細化は、すべてのサブピクセルを同一に扱うため、ほとんどの努力は、少数クラスにエラーが残っている間、容易にピクセルに進む。 UnMixMambaは、次のように対処する。 For~ i) 時間-スペクトル-空間分解分解(TSSD)因子化は, HRロジットに直接低分解能(LR)観測をマッピングする代わりに, 単純分画を推定し, AAFC分類を同一混合体から駆動する。 For~ (ii), \(\times 8\) abundance super- resolution and a learnable per-crop variant endmember bank LRとHRで線形混合モデルの下でMODIS立方体を再構成する。 For~ 第三に、予測された作物の割合は、固定されたマンバトークンの予算がどこに使われるかを決定するため、人事改良は、フルグリッドではなくマイノリティークラスに焦点を当てる。 2015年、固定空間ブロックプロトコルの下でUnMixMambaはOA 0.8397、mIoU 0.6640、AA 0.7837、Kappa 0.7715に到達し、ST-DRes、ESPCN、FinCrop、AgriFM、古典的なSPMベースラインに先行した。 タスクは、既知の農業用マスク内のクローズドセットの4つのクロップマッピングである。

関連論文リスト

• Leakage-Safe Machine Learning for Hydrogen Embrittlement Detection in 316L Stainless Steel: A Region-Held-Out Evaluation of Texture and Deep Features in SEM Micrographs [2.934613983335655]
  本研究では, 316Lステンレス鋼のAs-Received (AR) およびH2-H2 SEMマイクログラフの分類のための領域保持型プロトコルを提案する。 ローカルバイナリーパターン(LBP)とグレーレベル共起行列(GLCM)と143のラベルのないSEM画像に事前訓練した自己教師型畳み込み埋め込みと、畳み込みニューラルネットワーク(CNN)の6つの特徴分類器の組み合わせを比較した。 最も単純なテクスチャアプローチであるサポートベクターマシン(LBP+SVM)を用いたLPPは、0.79、H2リコール0.69、Hのバランス精度を実現した。
  論文  参考訳（メタデータ） (2026-09-23T11:18:49Z)
• MASCOT: Model-Aware Submodular Coverage for Composite-Attribute Text-to-Image Retrieval [14.046412674857748]
  MASCOT (Model-Aware Submodular Coverage for Composite-Attribute Text-to- Image Retrieval) を導入する。 多様体の反発に頼る代わりに、MASCOT は資源割り当て問題として多属性の多様性を定式化している。 MASCOTは88.58%のアーリーランクリコール(R@10)、MS-DPPは67.63%である。
  論文  参考訳（メタデータ） (2026-08-12T19:07:07Z)
• Multi-Scale ViT Inference with Habitat-Fit Priors and kNN Retrieval for Multi-Species Plant Identification [0.04014524824655105]
  本稿では,DS@GT ARCの植物4乗画像における多種植物同定におけるPlantCLEF 2026チャレンジに対する3位ソリューションについて述べる。 パイプラインは細調整されたDINOv2 ViT-L/14分類器を中心に構築され、各四角形のマルチスケールタイル分解に適用される。 選択されたエントリーは、0.43902(3位、パブリック0.51096)のプライベートリーダーボードマクロF1に達する。
  論文  参考訳（メタデータ） (2026-07-16T02:47:38Z)
• Adaptive Gradient Calibration for Single-Positive Multi-Label Learning in Remote Sensing Image Scene Classification [20.29420915336209]
  マルチラベル分類(MLC)は、リモートセンシング(RS)画像のより包括的なセマンティック理解を提供する。 単一陽性多ラベル学習(SPML)が出現し,各画像に関連ラベルが1つだけアノテートされ,そのモデルがラベルの全集合を回復することが期待されている。 本稿では,適応勾配(AdaGC)を,RS画像に適した新しい一般化可能なSPMLフレームワークとして提案する。
  論文  参考訳（メタデータ） (2025-10-09T14:26:09Z)
• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• Fast and Accurate Gigapixel Pathological Image Classification with Hierarchical Distillation Multi-Instance Learning [51.525891360380285]
  HDMILは階層的な蒸留マルチインスタンス学習フレームワークであり、無関係なパッチを排除して高速かつ正確な分類を実現する。 HDMILは、動的マルチインスタンスネットワーク(DMIN)と軽量インスタンスプレスクリーンネットワーク(LIPN)の2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-02-28T15:10:07Z)
• A consensus-constrained parsimonious Gaussian mixture model for clustering hyperspectral images [0.0]
  食品エンジニアは、ハイパースペクトル画像を使用して、食品サンプルのタイプと品質を分類する。 これらの手法を訓練するには、各トレーニング画像の各ピクセルにラベルを付ける必要がある。 ハイパースペクトル画像に画素をラベル付けするために, コンセンサス制約付き擬似ガウス混合モデル (ccPGMM) を提案する。
  論文  参考訳（メタデータ） (2024-03-05T22:23:43Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• FRIH: Fine-grained Region-aware Image Harmonization [49.420765789360836]
  我々は,FRIH(Fentral-Aware Image Harmonization)のための新しいグローバルな2段階フレームワークを提案する。 提案アルゴリズムは,軽量モデルを用いて,iHarmony4データセット(PSNRは38.19dB)上で最高の性能を実現する。
  論文  参考訳（メタデータ） (2022-05-13T04:50:26Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)

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。