論文の概要: Crop Mapping Evaluation under Sampling Bias

• arxiv url: http://arxiv.org/abs/2611.00794v1
• Date: Sat, 31 Oct 2026 10:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-13 09:42:47.235996
• Title: Crop Mapping Evaluation under Sampling Bias
• Title（参考訳）: サンプリングバイアスによる作物のマッピング評価
• Abstract要約: 政府機関は作物地図を使って生産を見積もり、食料の安全を監視し、農業政策を定めている。 フィールドチームは道路の近くで小包をラベル付けし、小さなものや到達しにくいものをスキップする傾向がある。 この報告されたパフォーマンスと、マップされた領域全体のパフォーマンスの違いを、デプロイメントのパフォーマンスギャップと呼んでいます。
• 参考スコア（独自算出の注目度）: 6.193303517899825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Government agencies use crop maps to estimate production, monitor food security, and set agricultural policy. These crop maps are usually validated against field labels, but these labels are rarely a random sample of the area the map covers. Field teams tend to label parcels near roads and skip ones that are small or hard to reach, so performance measured on held-out labels mainly describes the places they visited. We call the difference between this reported performance and performance over the whole mapped region the deployment performance gap. To estimate performance over the whole region, we use a weighted form of prediction-powered inference (PPI). The classifier's predictions on unlabeled points across the region give a first estimate, and its errors on the labeled points correct that estimate, with more weight on labels from under-sampled conditions. We test this in five European regions where crop registers label every declared parcel, so the true performance is known. Simulating six documented collection practices there produces gaps of up to 0.20 macro-F1. On the collection rule that creates the largest gap in each region, 5 km block cross-validation still overestimates macro-F1 by as much as 0.18, while PPI with weights estimated from satellite embeddings reduces the largest error across regions to 0.07. Importance-weighted cross-validation with the same weights does almost as well, so most of the improvement comes from the weights themselves. We also apply the method to three Kenyan datasets that have no region-wide reference labels. For a roadside dataset collected with helmet-mounted cameras, the estimated macro-F1 falls from 0.93 under random cross-validation to 0.61, although the correction relies on a small number of heavily weighted labels. Our code is available at https://github.com/microsoft/pappi.
• Abstract（参考訳）: 政府機関は作物地図を使って生産を見積もり、食料の安全を監視し、農業政策を定めている。 これらの作物地図は通常、フィールドラベルに対して検証されるが、これらのラベルは、地図がカバーしている領域のランダムなサンプルとして滅多にない。 フィールドチームは道路近くの小包をラベル付けし、小さなものや到達しにくいものをスキップする傾向があるため、ホールドアウトラベルで測定されたパフォーマンスは、主に訪れた場所を記述している。 この報告されたパフォーマンスと、マップされた領域全体のパフォーマンスの違いを、デプロイメントのパフォーマンスギャップと呼んでいます。 地域全体の性能を推定するために、重み付け形式の予測駆動推論(PPI)を用いる。 分類器の地域全体でのラベル付けされていない点の予測は、最初の推定を与え、ラベル付けされた点の誤差はその推定を正し、アンダーサンプされた条件からラベルを重み付けする。 ヨーロッパ5地域では、作物登録簿が宣言された区画ごとにラベル付けされているため、実際の性能は分かっていない。 6つのドキュメントコレクションのプラクティスをシミュレートすると、最大0.20マクロF1のギャップが生じる。 それぞれの領域で最大のギャップを生じる収集ルールでは、5kmブロックのクロスバリデーションがマクロF1を最大0.18倍過大評価する一方、衛星の埋め込みから推定される重量のPIは、領域間の最大の誤差を0.07まで減少させる。 同じ重みを持つ重要度重み付きクロスバリデーションも同様に機能するので、ほとんどの改善は重みそのものに由来する。 また,この手法を地域幅の参照ラベルを持たないケニアの3つのデータセットに適用する。 ヘルメットを装着したカメラで収集された道端のデータセットでは、推定されたマクロF1はランダムなクロスバリデーションの下で0.93から0.61に低下するが、補正は少数の重み付きラベルに依存している。 私たちのコードはhttps://github.com/microsoft/pappi.comで公開されています。

関連論文リスト

• Embeddings based Anomaly Detection for Cleaning Global Crop Type Reference Datasets [0.15404975601060747]
  本研究では,事前学習した地球観測エンコーダの埋め込みで動作する,実用的で局所性に配慮した埋め込み型アノマリー(EBA)フレームワークを提案する。 各ラベル付きサンプルは、事前訓練された埋め込みを使用して同じ地域の同じ作物の他のサンプルに対してスコア付けし、目立ったものをフラグ付けし、トレーニング前にそれらを取り除くか、下げるかをテストし、より良いモデルを得る。
  論文  参考訳（メタデータ） (2026-07-27T00:52:52Z)
• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• Fields of The World: A Field Guide for Extracting Agricultural Field Boundaries [15.115722799800055]
  フィールドバウンダリマップは、農業データ製品のためのビルディングブロックであり、作物のモニタリング、収量推定、病気の推定をサポートする。 このチュートリアルでは、24カ国にまたがる1.6Mフィールドポリゴンのベンチマーク、事前訓練されたセグメンテーションモデル、コマンドライン推論ツールについて紹介する。
  論文  参考訳（メタデータ） (2026-02-08T21:32:33Z)
• A region-wide, multi-year set of crop field boundary labels for Africa [0.0]
  2017年から2023年の間に撮影された33,746枚のプラネット画像で、フィールドの境界線を定めました。 品質指標では、ラベルの品質は、全フィールド範囲の尺度では適度に高い(0.75)が、個々のフィールドの個数に関して低いことが示されている。 このサンプルは、中央値の畑の大きさと密度の変動を浮き彫りにして、地域の農業特性に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2024-12-24T15:14:58Z)
• SAModified: A Foundation Model-Based Zero-Shot Approach for Refining Noisy Land-Use Land-Cover Maps [2.374912052693646]
  土地利用・土地被覆分析(LULC)はリモートセンシングにおいて重要である。 機械学習を用いたLULCマップの自動生成は、ノイズの多いラベルのため困難である。 基礎モデルSegment Anything Model (SAM) を用いたゼロショットアプローチを提案する。 ラベルノイズの顕著な低減と下流セグメンテーションモデルの性能向上を実現し,デノファイドラベルを用いてトレーニングすると,$approx 5%の値が得られた。
  論文  参考訳（メタデータ） (2024-12-17T05:23:00Z)
• Taking it further: leveraging pseudo labels for field delineation across label-scarce smallholder regions [2.8120847363433654]
  本研究は、地理とセンサ特性を横断する微調整モデルにスパースフィールドデライン付き擬似ラベルを使用する機会について検討する。 本研究では,インドにおける作物の作付けを訓練したフラクタルResUNetを構築し,この事前学習モデルを用いてモザンビークの擬似ラベルを生成する。 次に、人間の注釈付きラベルと擬似ラベルをモデル微調整に使用し、人体アノテーションに対する予測を比較した。
  論文  参考訳（メタデータ） (2023-12-12T08:39:07Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Distribution Matching for Crowd Counting [51.90971145453012]
  アノテーションにガウスを付与することは一般化性能を損なうことを示す。 我々は,群集CoUNTing (DM-Count) における分布マッチングの利用を提案する。 平均絶対誤差(Mean Absolute Error)の観点では、DM-Countは従来の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-09-28T04:57:23Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。