論文の概要: CrossEarth: Geospatial Vision Foundation Model for Domain Generalizable Remote Sensing Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2410.22629v2
• Date: Thu, 31 Oct 2024 14:44:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:01:59.481812
• Title: CrossEarth: Geospatial Vision Foundation Model for Domain Generalizable Remote Sensing Semantic Segmentation
• Title（参考訳）: CrossEarth: 領域一般化型リモートセンシングセマンティックセマンティックセマンティックセグメンテーションのための地理空間視覚基礎モデル
• Authors: Ziyang Gong, Zhixiang Wei, Di Wang, Xianzheng Ma, Hongruixuan Chen, Yuru Jia, Yupeng Deng, Zhenming Ji, Xiangwei Zhu, Naoto Yokoya, Jing Zhang, Bo Du, Liangpei Zhang,
• Abstract要約: RSDGセマンティックセグメンテーションのための第1ビジョン基盤モデルであるCrossEarthを紹介する。 CrossEarthは、特別に設計されたデータレベルのEarth-Style Injectionパイプラインを通じて、強力なクロスドメインの一般化を実証する。 セマンティックセグメンテーションタスクのために,28のクロスドメイン設定,スペクトル帯域,プラットフォーム,気候を含むRSDGベンチマークをキュレートした。
• 参考スコア（独自算出の注目度）: 42.232082483902666
• License:
• Abstract: The field of Remote Sensing Domain Generalization (RSDG) has emerged as a critical and valuable research frontier, focusing on developing models that generalize effectively across diverse scenarios. Despite the substantial domain gaps in RS images that are characterized by variabilities such as location, wavelength, and sensor type, research in this area remains underexplored: (1) Current cross-domain methods primarily focus on Domain Adaptation (DA), which adapts models to predefined domains rather than to unseen ones; (2) Few studies targeting the RSDG issue, especially for semantic segmentation tasks, where existing models are developed for specific unknown domains, struggling with issues of underfitting on other unknown scenarios; (3) Existing RS foundation models tend to prioritize in-domain performance over cross-domain generalization. To this end, we introduce the first vision foundation model for RSDG semantic segmentation, CrossEarth. CrossEarth demonstrates strong cross-domain generalization through a specially designed data-level Earth-Style Injection pipeline and a model-level Multi-Task Training pipeline. In addition, for the semantic segmentation task, we have curated an RSDG benchmark comprising 28 cross-domain settings across various regions, spectral bands, platforms, and climates, providing a comprehensive framework for testing the generalizability of future RSDG models. Extensive experiments on this benchmark demonstrate the superiority of CrossEarth over existing state-of-the-art methods.
• Abstract（参考訳）: リモートセンシングドメイン一般化(RSDG)の分野は、さまざまなシナリオを効果的に一般化するモデルの開発に焦点を当て、重要かつ価値のある研究フロンティアとして現れてきた。 位置, 波長, センサタイプなどの可変性によって特徴付けられるRS画像の領域ギャップは大きいが, 1) 現在のクロスドメイン手法は主にドメイン適応(DA)に焦点をあてている; 2) RSDG問題,特に特定の未知のドメインに対して既存のモデルが開発されているセマンティックセグメンテーションタスク,(3)既存のRSファンデーションモデルはドメイン間一般化よりもドメイン内パフォーマンスを優先する傾向にある。 そこで我々は,RSDGセマンティックセグメンテーションのための最初のビジョン基盤モデルであるCrossEarthを紹介した。 CrossEarthは、特別に設計されたデータレベルのアーススタイルインジェクションパイプラインとモデルレベルのマルチタスクトレーニングパイプラインを通じて、強力なクロスドメインの一般化を実演する。 さらに,各領域,スペクトル帯域,プラットフォーム,気候にまたがる28のクロスドメイン設定を含むRSDGベンチマークを解析し,将来のSDGモデルの一般化可能性をテストするための総合的なフレームワークを提供する。 このベンチマークの大規模な実験は、既存の最先端手法よりもCrossEarthの方が優れていることを示している。

関連論文リスト

• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  ドメイン一般化(DG)は、最近、ポイントクラウド分類(PCC)モデルの、目に見えない領域への一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
  ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。 AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。 その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
  論文  参考訳（メタデータ） (2022-08-03T11:51:11Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
  ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。 オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-10T11:14:18Z)
• Curriculum-style Local-to-global Adaptation for Cross-domain Remote Sensing Image Segmentation [11.650285884518208]
  超高解像度(VHR)リモートセンシング画像(RSI)のクロスドメインセグメンテーションは2つの重要な課題に直面している。 多くの多様な対象カテゴリを持つ広い面積の土地は、深刻な局所的なパッチレベルのデータ分布のずれをもたらしている。 異なるVHRセンサタイプや動的に変化するモードは、同じ地理的位置であっても、VHRイメージが集中的なデータ分散の差を通り抜ける原因となる。 本稿では,VHR RSIのセグメンテーションのためのカリキュラム型ローカル・グローバル・クロスドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-03T06:33:46Z)
• Structured Latent Embeddings for Recognizing Unseen Classes in Unseen Domains [108.11746235308046]
  本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。 挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T17:57:46Z)
• Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
  ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する 本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。 大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
  論文  参考訳（メタデータ） (2020-07-27T00:08:07Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。