論文の概要: FoMo: Multi-Modal, Multi-Scale and Multi-Task Remote Sensing Foundation Models for Forest Monitoring

• arxiv url: http://arxiv.org/abs/2312.10114v3
• Date: Mon, 24 Feb 2025 15:49:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:47:58.570716
• Title: FoMo: Multi-Modal, Multi-Scale and Multi-Task Remote Sensing Foundation Models for Forest Monitoring
• Title（参考訳）: FoMo:森林モニタリングのためのマルチモーダル・マルチスケール・マルチタスクリモートセンシング基盤モデル
• Authors: Nikolaos Ioannis Bountos, Arthur Ouaknine, Ioannis Papoutsis, David Rolnick,
• Abstract要約: 第1回森林モニタリングベンチマーク(FoMo-Bench)について紹介する。 FoMo-Benchは、衛星、航空、在庫データを含む15の多様なデータセットで構成されている。 FoMo-Benchにおけるタスクと地理的多様性を高めるために,衛星画像と地上アノテーションを組み合わせた木種分類のためのグローバルデータセットであるTalloSを紹介した。
• 参考スコア（独自算出の注目度）: 23.192593517094714
• License:
• Abstract: Forests are vital to ecosystems, supporting biodiversity and essential services, but are rapidly changing due to land use and climate change. Understanding and mitigating negative effects requires parsing data on forests at global scale from a broad array of sensory modalities, and using them in diverse forest monitoring applications. Such diversity in data and applications can be effectively addressed through the development of a large, pre-trained foundation model that serves as a versatile base for various downstream tasks. However, remote sensing modalities, which are an excellent fit for several forest management tasks, are particularly challenging considering the variation in environmental conditions, object scales, image acquisition modes, spatio-temporal resolutions, etc. With that in mind, we present the first unified Forest Monitoring Benchmark (FoMo-Bench), carefully constructed to evaluate foundation models with such flexibility. FoMo-Bench consists of 15 diverse datasets encompassing satellite, aerial, and inventory data, covering a variety of geographical regions, and including multispectral, red-green-blue, synthetic aperture radar and LiDAR data with various temporal, spatial and spectral resolutions. FoMo-Bench includes multiple types of forest-monitoring tasks, spanning classification, segmentation, and object detection. To enhance task and geographic diversity in FoMo-Bench, we introduce TalloS, a global dataset combining satellite imagery with ground-based annotations for tree species classification across 1,000+ categories and hierarchical taxonomic levels. Finally, we propose FoMo-Net, a pre-training framework to develop foundation models with the capacity to process any combination of commonly used modalities and spectral bands in remote sensing.
• Abstract（参考訳）: 森林は生態系にとって不可欠であり、生物多様性と本質的なサービスをサポートしているが、土地利用や気候変動によって急速に変化している。 負の効果の理解と緩和には、広範囲の感覚的モダリティから世界規模で森林を解析し、様々な森林モニタリングアプリケーションでそれらを利用する必要がある。 このようなデータやアプリケーションの多様性は、様々な下流タスクの汎用基盤として機能する、大規模で事前訓練された基礎モデルの開発を通じて効果的に対処することができる。 しかし, 環境条件, 対象規模, 画像取得モード, 時空間分解能などの変化を考慮すると, 森林管理作業に適するリモートセンシングモードは特に困難である。 そこで我々は,このような柔軟性を持つ基礎モデルを評価するために,フォレストモニタリングベンチマーク (FoMo-Bench) を慎重に構築した。 FoMo-Benchは、衛星、航空、在庫データを含む15の多様なデータセットで構成され、様々な地理的領域をカバーし、多スペクトル、赤緑色、合成開口レーダー、様々な時間分解能、空間分解能、スペクトル分解能を持つLiDARデータを含む。 FoMo-Benchには、複数のタイプの森林モニタリングタスク、スパンニング分類、セグメンテーション、オブジェクト検出が含まれている。 FoMo-Benchにおける課題と地理的多様性を高めるために,衛星画像と地上アノテーションを組み合わせたグローバルデータセットであるTalloSを紹介した。 最後に,FoMo-Netを提案する。FoMo-Netは,リモートセンシングにおいてよく使用されるモダリティとスペクトル帯域の組み合わせを処理できる基礎モデルを開発するための事前学習フレームワークである。

関連論文リスト

• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• EarthDial: Turning Multi-sensory Earth Observations to Interactive Dialogues [46.601134018876955]
  EarthDialは、地球観測(EO)データ用に特別に設計された会話アシスタントである。 複雑な多感覚地球観測を対話的な自然言語対話に変換する。 EarthDialはマルチスペクトル、マルチテンポラル、マルチレゾリューション画像をサポートする。
  論文  参考訳（メタデータ） (2024-12-19T18:57:13Z)
• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• Soil nitrogen forecasting from environmental variables provided by multisensor remote sensing images [0.0]
  本研究では、リモートセンシング画像や機械学習手法を含むマルチモーダルデータを活用することにより、土壌窒素含量を予測するためのフレームワークを提案する。 我々は、ヨーロッパとイギリスの領域をカバーするLand Use/Land Cover Area Frame Survey (LUCAS)データベースと、衛星センサーからの環境変数を統合し、新しい特徴のデータセットを作成する。 農耕地や草地など,様々な土地被覆クラスで提案手法を検証し,このアプローチの堅牢性を確保する。
  論文  参考訳（メタデータ） (2024-06-14T08:10:44Z)
• Planted: a dataset for planted forest identification from multi-satellite time series [23.822292894884427]
  森林プランテーションの認識のための5つの公共衛星のデータと,世界中の植林木種のデータからなるデータセットについて述べる。 PlantDという名前のデータセットには、41か国に分布する64種の木ラベルクラス(46属40種)の2M以上のサンプルが含まれている。
  論文  参考訳（メタデータ） (2024-05-24T15:49:00Z)
• MTMMC: A Large-Scale Real-World Multi-Modal Camera Tracking Benchmark [63.878793340338035]
  マルチターゲットマルチカメラトラッキングは、複数のカメラからのビデオストリームを使用して個人を特定し、追跡する重要なタスクである。 このタスクの既存のデータセットは、制御されたカメラネットワーク設定内で合成または人工的に構築される。 我々は16台のマルチモーダルカメラで2つの異なる環境でキャプチャされた長いビデオシーケンスを含む実世界の大規模データセットであるMTMMCを紹介する。
  論文  参考訳（メタデータ） (2024-03-29T15:08:37Z)
• Forest Inspection Dataset for Aerial Semantic Segmentation and Depth Estimation [6.635604919499181]
  森林調査のための大規模航空データセットを新たに導入する。 現実世界と仮想的な自然環境の記録も含んでいる。 地域の森林破壊度を評価するための枠組みを開発する。
  論文  参考訳（メタデータ） (2024-03-11T11:26:44Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• OpenForest: A data catalogue for machine learning in forest monitoring [21.005174521192675]
  森林モニタリングの促進は、人間の影響を緩和し、森林構成の理解を深める上での利点である。 空間規模で86のオープンアクセス森林データセットの概要を概観する。 これらのデータセットは、すべての利用可能なオープンアクセスフォレストデータセットを参照しようとするコントリビューションにオープンな動的カタログであるOpenForestにグループ化されている。
  論文  参考訳（メタデータ） (2023-11-01T03:59:20Z)
• Rapid Deforestation and Burned Area Detection using Deep Multimodal Learning on Satellite Imagery [3.8073142980733]
  アマゾンの森林における森林破壊の推定と火災検出は、広大な面積のために大きな課題となっている。 マルチモーダル衛星画像とリモートセンシングは、アマゾン地域の森林破壊を推定し、山火事を検出するための有望なソリューションを提供する。 本研究では、畳み込みニューラルネットワーク(CNN)と包括的データ処理技術を用いて、これらの問題を解決するための新しいキュレートデータセットとディープラーニングベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-10T21:49:30Z)
• 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)

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。