論文の概要: Spatial Uncertainty Analytics for Budget-Limited Inspection of Hyperspectral Scenes

• arxiv url: http://arxiv.org/abs/2611.00478v1
• Date: Sat, 31 Oct 2026 00:11:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:01:29.545083
• Title: Spatial Uncertainty Analytics for Budget-Limited Inspection of Hyperspectral Scenes
• Title（参考訳）: ハイパースペクトルシーンの予算制限検査のための空間的不確実性分析
• Abstract要約: 広域ハイパースペクトル調査で分類された土地被覆地図は,クラス境界やあいまいな地域では最も信頼性が低い。 この構造が限定的な検証予算を導出する方法について検討する。
• 参考スコア（独自算出の注目度）: 1.1172382217477128
• License:
• Abstract: Land-cover maps classified from wide-area hyperspectral surveys are least reliable along class boundaries and in ambiguous regions, so their errors are spatially structured. We study how this structure can direct a limited verification budget: when a low-altitude UAV or a ground crew can visit only a handful of sites, where it should go depends on how classifier uncertainty is arranged across the scene and how a fixed sensor footprint tiles that arrangement. We estimate a per-pixel uncertainty surface from the disagreement of an ensemble of spectral classifiers and select sites by greedy, field-of-view-aware coverage of the uncertainty mass. On seven benchmark scenes, the highest-uncertainty decile of pixels is 2.6 to 7.9 times richer in errors than the scene as a whole, and the coverage greedy covers up to 57% of the classifier's errors with 15 sites, 1.7 to 18 times as many as uncertainty-agnostic sampling of the same labelled region. A non-overlapping selection of the footprints richest in uncertainty does equally well, so the gain comes from scoring whole footprints by uncertainty mass. The advantage persists under spatially blocked evaluation and with a spectral-spatial classifier, although disagreement then ranks errors less well. It requires restricting the surface to labelled land cover: over the whole scene, disagreement peaks on unlabelled ground, where inspections cannot be scored. The best policy for covering connected high-uncertainty regions depends on the scene and on the threshold that defines them, and Gaussian-process selection covers less uncertainty than the coverage greedy on every scene. The pipeline runs on commodity CPUs.
• Abstract（参考訳）: 広域ハイパースペクトル調査で分類された土地被覆地図は、クラス境界やあいまいな地域では信頼性が低いため、その誤差は空間的に構造化されている。 低高度のUAVや地上の乗組員がほんの一握りのサイトを訪れられる場合、その場所は、現場を横断する分類器の不確実性がどのように配置され、固定されたセンサーの足跡がどのように配置されるかによって異なる。 スペクトル分類器と選択部位のアンサンブルの相違から画素当たりの不確かさ面を,不確実性質量のグリーディ,視野-視野-認識で推定する。 7つのベンチマークシーンでは、画素の不確かさの最大値は、シーン全体のエラーの2.6倍から7.9倍で、カバーグリーディは15箇所の分類器のエラーの最大57%をカバーし、同じラベル付き領域の不確かさに依存しないサンプリングの1.7倍から18倍である。 不確実性が最も多いフットプリントの重複しない選択は、同様にうまく機能するので、不確実性質量によってフットプリント全体を評価することから得られる。 この利点は、空間的にブロックされた評価とスペクトル空間分類器によって持続するが、不一致はエラーのランクを低くする。 表面をラベル付きの土地被覆に制限することが必要であり、現場全体では、検査ができない未舗装の土地における不一致のピークが記録される。 接続された高不確かさ領域をカバーするための最良のポリシーは、シーンとそれを定義するしきい値に依存する。 パイプラインはコモディティCPUで動作する。

関連論文リスト

• A Decision-Aware Evaluation Protocol for Uncertainty in Medical Image Segmentation [11.542407696902115]
  本稿では,不確実性評価と不確実性評価を分離する決定対応評価プロトコルを提案する。 網膜血管、皮膚病変、多発性背骨と不確実性推定器によるポリプセグメンテーションにまたがってインスタンス化する。
  論文  参考訳（メタデータ） (2026-10-15T09:59:55Z)
• Explainable Geospatial AI for Satellite Ground Station Siting Using LiDAR-Derived Terrain Intelligence [0.0]
  RCHは、電波伝搬と干渉解析において重要なパラメータである。 オープンな地理空間データからRCHを予測するための、解釈可能な、グローバルにデプロイ可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-19T19:08:52Z)
• Informative Path Planning with Guaranteed Estimation Uncertainty [7.2097330104931325]
  環境モニタリング予算ロボットは、厳密な距離とエネルギー制約の下で空間場を再構築する必要がある。 提案手法は,移動経路下でのセンサ位置選択と共同選択・引き抜き問題に対して,精度の高い近似保証付き手法を提案する。 実世界のデータを用いた実験では、より少ないセンシング位置と短い移動距離を用いて、プランナーが不確実な目標に到達していることが示されている。
  論文  参考訳（メタデータ） (2026-02-05T01:51:38Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Digging Into Uncertainty-based Pseudo-label for Robust Stereo Matching [39.959000340261625]
  本稿では,ロバストなステレオマッチングのための不確実性推定法を提案する。 事前学習されたモデルを新しい領域に適応させるために,不確実性に基づく擬似ラベルを提案する。 本手法は,ロバスト・ビジョン・チャレンジ2020のステレオタスクにおいて,強いクロスドメイン,適応,共同一般化を示す。
  論文  参考訳（メタデータ） (2023-07-31T09:11:31Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge Detector [70.43599299422813]
  既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。 多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。 UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-03-21T13:14:36Z)
• Learning Trustworthy Model from Noisy Labels based on Rough Set for Surface Defect Detection [15.699457425432117]
  表面欠陥検出では、異常または正常と一意に分類できない不審な領域がいくつか存在する。 不審領域の注釈付けは、労働者の感情変動や判断基準などの影響を受けやすい。 通常のノイズラベルとは異なり、表面欠陥検出に用いられるラベルは、誤記ではなく矛盾しているように見える。
  論文  参考訳（メタデータ） (2023-01-25T07:29:22Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。