論文の概要: Toward Foundation Models for Earth Monitoring: Generalizable Deep Learning Models for Natural Hazard Segmentation

• arxiv url: http://arxiv.org/abs/2301.09318v1
• Date: Mon, 23 Jan 2023 08:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 13:51:33.687528
• Title: Toward Foundation Models for Earth Monitoring: Generalizable Deep Learning Models for Natural Hazard Segmentation
• Title（参考訳）: 地球モニタリングの基礎モデルに向けて:自然災害セグメンテーションのための一般化可能な深層学習モデル
• Authors: Johannes Jakubik, Michal Muszynski, Michael V\"ossing, Niklas K\"uhl, Thomas Brunschwiler
• Abstract要約: 自然災害のリアルタイムマッピングは、災害救済、リスク管理、政府の政策決定の伝達に最優先される。 リアルタイムに近いマッピングを実現するための最近の手法は、ディープラーニング(DL)をますます活用している。 本研究では,適切なプレタスクの事前学習に基づいて,DL自然災害マッパーの一般化可能性を大幅に向上させる手法を提案する。
• 参考スコア（独自算出の注目度）: 0.47725505365135473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Climate change results in an increased probability of extreme weather events that put societies and businesses at risk on a global scale. Therefore, near real-time mapping of natural hazards is an emerging priority for the support of natural disaster relief, risk management, and informing governmental policy decisions. Recent methods to achieve near real-time mapping increasingly leverage deep learning (DL). However, DL-based approaches are designed for one specific task in a single geographic region based on specific frequency bands of satellite data. Therefore, DL models used to map specific natural hazards struggle with their generalization to other types of natural hazards in unseen regions. In this work, we propose a methodology to significantly improve the generalizability of DL natural hazards mappers based on pre-training on a suitable pre-task. Without access to any data from the target domain, we demonstrate this improved generalizability across four U-Net architectures for the segmentation of unseen natural hazards. Importantly, our method is invariant to geographic differences and differences in the type of frequency bands of satellite data. By leveraging characteristics of unlabeled images from the target domain that are publicly available, our approach is able to further improve the generalization behavior without fine-tuning. Thereby, our approach supports the development of foundation models for earth monitoring with the objective of directly segmenting unseen natural hazards across novel geographic regions given different sources of satellite imagery.
• Abstract（参考訳）: 気候変動は、社会やビジネスを世界的な規模で危険にさらす極端な気象事象の確率を増加させる。 したがって、自然災害のほぼリアルタイムマッピングは、自然災害の救済、リスク管理、政府の政策決定の伝達を支援するための新たな優先事項である。 リアルタイムに近いマッピングを実現するための最近の手法は、ディープラーニング(DL)を活用している。 しかし、DLベースのアプローチは、衛星データの特定の周波数帯域に基づいて、1つの地理的領域における1つの特定のタスクのために設計されている。 そのため、特定の自然災害をマップするために使われるDLモデルは、目に見えない地域での他の種類の自然災害への一般化に苦しむ。 本研究では,適切なプレタスクによる事前学習に基づいて,DL自然災害マッパーの一般化可能性を大幅に向上させる手法を提案する。 対象領域からのデータにアクセスせずに、4つのU-Netアーキテクチャにまたがる一般化可能性の向上を実証する。 重要な点として,本手法は衛星データの周波数帯域の種類と地理的差に不変である。 公開可能な対象領域からのラベルなし画像の特性を活用することで,より微調整することなく,一般化動作をさらに改善することができる。 そこで本研究では,衛星画像の異なる領域にまたがる未知の自然災害を直接分類することを目的として,地球観測のための基盤モデルの開発を支援する。

関連論文リスト

• Transferable Adversarial Attacks on SAM and Its Downstream Models [87.23908485521439]
  本稿では,セグメント・アプライス・モデル(SAM)から微調整した様々な下流モデルに対する敵攻撃の可能性について検討する。 未知のデータセットを微調整したモデルに対する敵攻撃の有効性を高めるために,ユニバーサルメタ初期化(UMI)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-26T15:04:04Z)
• Mapping Land Naturalness from Sentinel-2 using Deep Contextual and Geographical Priors [1.4528189330418977]
  我々は,現代の人的圧力の連続体に自然の陸地をマッピングするマルチモーダル教師付き深層学習フレームワークを開発した。 我々のフレームワークは、センチネル2データから陸地自然度をマッピングする際のモデルの予測性能を改善する。
  論文  参考訳（メタデータ） (2024-06-27T16:17:33Z)
• Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model [17.016411785224317]
  本稿では, DAVI(Disaster Assessment with VIsion foundation model)を提案する。 DAVIは、ソース領域でトレーニングされたモデルからイメージセグメンテーション基礎モデルにタスク固有の知識を統合し、ターゲット領域の損傷の可能性を示す擬似ラベルを生成する。 次に、ピクセルと全体像の両方をターゲットとした2段階の精細化プロセスを使用して、災害現場におけるより正確に変化を特定します。
  論文  参考訳（メタデータ） (2024-06-12T09:21:28Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Region-Based Semantic Factorization in GANs [67.90498535507106]
  本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。 適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。 様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-19T17:46:02Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Deep Learning Methods for Daily Wildfire Danger Forecasting [6.763972119525753]
  森林火災の予測は、災害リスクの低減と環境の持続可能性にとって最重要課題である。 我々は、過去10年間の歴史的地球観測データを用いて、日々の火災危険予測を機械学習タスクとしてアプローチし、火災の危険を予測する。 我々のDLベースの実証概念は、既存の運用ソリューションよりもはるかに高解像度で、全国規模の1日あたりの火災危険マップを提供する。
  論文  参考訳（メタデータ） (2021-11-04T10:39:12Z)
• Geographic ratemaking with spatial embeddings [0.3211619859724084]
  ある領域に高い被曝率を持つ保険会社は、通常競争上の優位性がある。 過去の損失データが利用できない地域では、地理的損失に依存することが問題となる。 本論文では, 歴史的保険請求損失の平滑化に代えて, 地理レートモデルを構築するためのデータに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-04-26T20:09:45Z)
• RiskOracle: A Minute-level Citywide Traffic Accident Forecasting Framework [12.279252772816216]
  交通事故のリアルタイム予測は、公共の安全と都市管理にとってますます重要になっている。 事故予測に関するこれまでの研究はしばしば時間レベルで行われ、既存のニューラルネットワークと静的な地域関係を考慮に入れている。 本稿では,予測の粒度を細部まで改善する新しいフレームワークであるR RiskOracleを提案する。
  論文  参考訳（メタデータ） (2020-02-19T07:18:46Z)

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。