論文の概要: Quantum-Inspired Convolutional Networks for High-Resolution Pseudo-Label Generation from Multimodal Earth Observation Data

• arxiv url: http://arxiv.org/abs/2610.39773v1
• Date: Thu, 29 Oct 2026 10:23:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.491965
• Title: Quantum-Inspired Convolutional Networks for High-Resolution Pseudo-Label Generation from Multimodal Earth Observation Data
• Title（参考訳）: マルチモーダル地球観測データを用いた高分解能擬似ラベル生成のための量子誘発畳み込みネットワーク
• Abstract要約: 本研究では、Sentinel-1 SARとSentinel-2画像を用いた擬似ラベル生成のための量子畳み込みエンコーダデコーダネットワークを導入する。 提案フレームワークは、量子インスパイアされた畳み込みブロックを用いて特徴抽出とクロスセンサー融合を強化する。 実験はDFC 2020データセットで行われ、Sentinel-1 SAR、Sentinel-2 Multispectral、低解像度MODISラベル、高解像度のランドカバーマップの4倍の精度で実施された。
• 参考スコア（独自算出の注目度）: 41.14798436619805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate land-cover mapping from multimodal Earth observation (EO) data remains a challenge in regions where high-resolution annotations are scarce or costly to obtain. This work introduces a quantum convolutional encoder-decoder network for pseudo-label generation using Sentinel-1 SAR and Sentinel-2 multispectral imagery, guided only by coarse MODIS-derived land-cover maps. The proposed framework uses quantum-inspired convolutional blocks to enhance feature extraction and cross-sensor fusion, enabling the model to infer a fine-scale semantic structure from heterogeneous inputs. Experiments were conducted on the DFC2020 dataset, which provides a quadruple of Sentinel-1 SAR, Sentinel-2 multispectral, low-resolution MODIS labels and high-resolution reference land-cover maps. The proposed training framework first learns a robust representation of multimodal inputs through the reconstruction branch before any supervision from low-resolution labels is applied. This self-supervised stage enables the model to capture a fine-scale spectral-spatial structure, which is then used to generate high-resolution pseudo-labels. These pseudo-labels are subsequently evaluated through classification metrics on the test data, demonstrating that the proposed approach produces more spatially coherent and class-consistent compared to classical baselines. The results highlight the potential of quantum-inspired deep learning to improve label generation in low-annotation remote sensing scenarios, offering a scalable path towards high-quality land-cover products for EO applications.
• Abstract（参考訳）: マルチモーダル地球観測(EO)データからの正確な土地被覆マッピングは、高解像度のアノテーションが不足している地域では依然として困難である。 本研究では,暗黙的ラベル生成のための量子畳み込みエンコーダ・デコーダネットワークをSentinel-1 SARとSentinel-2マルチスペクトル画像を用いて導入する。 提案フレームワークは、量子インスパイアされた畳み込みブロックを用いて特徴抽出とクロスセンサー融合を強化し、不均一な入力から微細な意味構造を推測することができる。 実験はDFC2020データセットで行われ、Sentinel-1 SAR、Sentinel-2 Multispectral、低分解能MODISラベル、高分解能基準土地被覆マップの4倍である。 提案するトレーニングフレームワークは,まず,低解像度ラベルの監督が適用される前に,再構成ブランチを通じてマルチモーダル入力の堅牢な表現を学習する。 この自己監督段階により、モデルは微細なスペクトル空間構造を捕捉し、高解像度の擬似ラベルを生成する。 これらの擬似ラベルは、テストデータ上の分類指標を用いて評価され、提案手法が古典的ベースラインよりも空間的に一貫性があり、クラス一貫性があることを示す。 この結果は、低アノテーションのリモートセンシングシナリオにおけるラベル生成を改善するために量子インスパイアされたディープラーニングの可能性を強調し、EOアプリケーションのための高品質なランドカバー製品へのスケーラブルなパスを提供する。

関連論文リスト

• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• LUMOS: Universal Semi-Supervised OCT Retinal Layer Segmentation with Hierarchical Reliable Mutual Learning [9.42829815939387]
  本稿では,階層型プロンプティング戦略 (DDN-HPS) とReliable Progressive Multi-granularity Learning (RPML) を併用したDual-Decoder Networkをベースとした,半教師付き汎用OCT網膜層セグメンテーションフレームワークであるLUMOSを提案する。 6つのOCTデータセットの実験では、LUMOSは既存の手法よりも優れており、例外的なクロスドメインとクロスグラニュラリティの一般化能力を示している。
  論文  参考訳（メタデータ） (2026-04-07T03:39:48Z)
• Hi-LOAM: Hierarchical Implicit Neural Fields for LiDAR Odometry and Mapping [0.0]
  我々は,Hi-LOAMと呼ばれるLiDARセンサを用いたマルチスケール暗黙的ニューラルローカライゼーションとマッピングフレームワークを提案する。 Hi-LOAMは入力データモダリティとしてLiDARポイントクラウドを受信し、オクツリー構造に基づいて複数のレベルのハッシュテーブルに階層的な潜在特徴を学習し、記憶する。 ポーズ推定には、最適なポーズを推定し、現在のスキャンをサブマップに登録するために、対応のないスキャン・トゥ・インシプリット・マッチング・パラダイムを頼りにしている。 トレーニングプロセス全体は自己指導的な方法で実施され、モデルの事前学習を放棄し、多様な環境に適用する際の一般化可能性を示す。
  論文  参考訳（メタデータ） (2026-04-02T07:36:27Z)
• WaveMAE: Wavelet decomposition Masked Auto-Encoder for Remote Sensing [5.65492058135409]
  WaveMAEはマルチスペクトル衛星画像に適したマスク付き自動符号化フレームワークである。 評価の公平性を確保するため、全ての手法が同じデータセット上で事前訓練される(fMoW-S2)。 WaveMAEは従来の最先端アプローチよりも一貫した改善を実現している。
  論文  参考訳（メタデータ） (2025-10-26T14:45:30Z)
• Exploring the Potential of Latent Embeddings for Sea Ice Characterization using ICESat-2 Data [1.4364491422470593]
  氷、雲、標高衛星-2 (ICESat-2) は海氷の高さを高精度に測定する。 近年、ICESat-2データに対する機械学習手法が開発され、主に表面型分類に焦点が当てられている。 We developed autoencoder model based on Long Short-Term Memory (LSTM) and Convolutional Neural Networks (CNN) to reconstruction topographic sequences from ICESat-2 and derive embeddeds。 その結果,オートエンコーダの埋め込みは全体の構造を保ちながら,元のICESat-2データと比較して比較的コンパクトなクラスタを生成することがわかった。
  論文  参考訳（メタデータ） (2025-04-25T19:42:09Z)
• Decoupled Pseudo-labeling for Semi-Supervised Monocular 3D Object Detection [108.672972439282]
  SSM3ODに対するDPL(decoupled pseudo-labeling)アプローチを提案する。 提案手法は,擬似ラベルを効率的に生成するためのDPGモジュールを特徴とする。 また,擬似ラベルの雑音深度監視による最適化競合を軽減するために,DGPモジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-26T05:12:18Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。