論文の概要: Cross-Domain Foundation Model Adaptation: Pioneering Computer Vision Models for Geophysical Data Analysis
- arxiv url: http://arxiv.org/abs/2408.12396v1
- Date: Thu, 22 Aug 2024 13:41:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 13:43:10.614441
- Title: Cross-Domain Foundation Model Adaptation: Pioneering Computer Vision Models for Geophysical Data Analysis
- Title（参考訳）: クロスドメインファンデーションモデル適応:物理データ解析のためのコンピュータビジョンモデルのパイオニア化
- Authors: Zhixiang Guo, Xinming Wu, Luming Liang, Hanlin Sheng, Nuo Chen, Zhengfa Bi,
- Abstract要約: コンピュータビジョン領域から地球科学への適応基盤モデル(FM)について検討する。
本研究では,コンピュータビジョンから地学へのFMの適用について検討し,その規模,適応性,地学データ解析の汎用性について考察した。
本稿では,既存のコンピュータビジョンFMを活用し,地学的なタスクを微調整し,開発コストを低減し,精度を向上するワークフローを提案する。
- 参考スコア（独自算出の注目度）: 18.928794841454312
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We explore adapting foundation models (FMs) from the computer vision domain to geoscience. FMs, large neural networks trained on massive datasets, excel in diverse tasks with remarkable adaptability and generality. However, geoscience faces challenges like lacking curated training datasets and high computational costs for developing specialized FMs. This study considers adapting FMs from computer vision to geoscience, analyzing their scale, adaptability, and generality for geoscientific data analysis. We introduce a workflow that leverages existing computer vision FMs, fine-tuning them for geoscientific tasks, reducing development costs while enhancing accuracy. Through experiments, we demonstrate this workflow's effectiveness in broad applications to process and interpret geoscientific data of lunar images, seismic data, DAS arrays and so on. Our findings introduce advanced ML techniques to geoscience, proving the feasibility and advantages of cross-domain FMs adaptation, driving further advancements in geoscientific data analysis and offering valuable insights for FMs applications in other scientific domains.
- Abstract（参考訳）: コンピュータビジョン領域から地球科学への適応基盤モデル(FM)について検討する。
大規模なデータセットでトレーニングされた大規模なニューラルネットワークであるFMは、顕著な適応性と汎用性を備えた多様なタスクに優れています。
しかし、ジオサイエンスは、キュレートされたトレーニングデータセットの欠如や、特殊なFMを開発するための高い計算コストといった課題に直面している。
本研究では,コンピュータビジョンから地学へのFMの適用について検討し,その規模,適応性,地学データ解析の汎用性について考察した。
本稿では,既存のコンピュータビジョンFMを活用し,地学的なタスクを微調整し,開発コストを低減し,精度を向上するワークフローを提案する。
実験を通じて,このワークフローの有効性を,月面画像,地震データ,DASアレイなどの地質学的データを処理・解釈するための広範囲な応用で実証した。
本研究は, 地学への高度ML技術の導入, クロスドメインFMの適応の実現可能性とメリットの証明, 地質学的データ解析のさらなる進歩, その他の科学領域におけるFMs応用に有用な洞察の提供について紹介する。
関連論文リスト
- 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) - AI Foundation Model for Heliophysics: Applications, Design, and Implementation [1.2851259989174175]
ファンデーションモデル(FM)は、大規模なデータセットで事前トレーニングされている。
本報告では, 医療用FMの設計基準について概観する。
ヘリオフィジカル領域でFMを設計した最初の研究であると考えている。
論文 参考訳（メタデータ） (2024-09-30T15:48:28Z) - Geospatial foundation models for image analysis: evaluating and enhancing NASA-IBM Prithvi's domain adaptability [3.7899026023232136]
本稿では,NASAが最近リリースしたNASA-IBM GFM Prithviの高レベル画像解析における予測性能について評価する。
Prithviは、高解像度のリモートセンシング画像の時系列に基づいてトレーニングされた最初のオープンソースのGFMの1つである。
論文 参考訳（メタデータ） (2024-08-31T15:51:23Z) - Towards Vision-Language Geo-Foundation Model: A Survey [65.70547895998541]
Vision-Language Foundation Models (VLFMs) は、様々なマルチモーダルタスクにおいて顕著な進歩を遂げている。
本稿では, VLGFMを網羅的にレビューし, この分野の最近の展開を要約し, 分析する。
論文 参考訳（メタデータ） (2024-06-13T17:57:30Z) - Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。
我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。
データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
論文 参考訳（メタデータ） (2024-02-06T02:29:17Z) - Position: Graph Foundation Models are Already Here [53.737868336014735]
グラフ基礎モデル(GFM)は、グラフ領域において重要な研究トピックとして浮上している。
グラフ語彙の提唱によるGFM開発のための新しい視点」を提案する。
この観点は、将来のGFM設計を、ニューラルネットワークのスケーリング法則に従って前進させる可能性がある。
論文 参考訳（メタデータ） (2024-02-03T17:24:36Z) - Challenges in data-based geospatial modeling for environmental research
and practice [19.316860936437823]
機械学習(ML)を用いたデータに基づく地理空間モデリングが環境研究で人気を博している。
本研究では,不均衡データ,空間自己相関,予測誤差,モデル一般化,ドメイン特異性,不確実性推定など,地理空間モデリングにおける一般的なニュアンスについて検討する。
論文 参考訳（メタデータ） (2023-11-18T12:30:49Z) - Assessment of a new GeoAI foundation model for flood inundation mapping [4.312965283062856]
そこで本稿は,IBM-NASAのPrithviによる地空間基盤モデルの性能評価を行い,地空間解析の重要課題である洪水浸水マッピングを支援する。
実験では、ベンチマークデータセットであるSen1Floods11を使用し、モデルの予測可能性、一般化可能性、転送可能性を評価する。
以上の結果から, 未確認領域におけるセグメンテーションにおけるPrithviモデルの性能上の優位性が示された。
論文 参考訳（メタデータ） (2023-09-25T19:50:47Z) - When Geoscience Meets Foundation Models: Towards General Geoscience Artificial Intelligence System [6.445323648941926]
地球科学基礎モデル(Geoscience foundation model, GFMs)は、地球系の力学のシミュレーションと理解を強化するために、広範な学際データを統合するパラダイムシフトソリューションである。
GFMのユニークな長所は、フレキシブルなタスク仕様、多様な入出力能力、マルチモーダルな知識表現である。
このレビューは、先進的なAI技術と地球科学の交差点における未解決の機会を強調した、新興の地球科学研究パラダイムの包括的概要を提供する。
論文 参考訳（メタデータ） (2023-09-13T08:44:09Z) - GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。
まず,地理的適応のための大規模データセットGeoNetを紹介する。
第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。
第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-27T17:59:34Z) - 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。