論文の概要: WildSAT: Learning Satellite Image Representations from Wildlife Observations
- arxiv url: http://arxiv.org/abs/2412.14428v2
- Date: Fri, 08 Aug 2025 14:58:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-11 14:17:28.969905
- Title: WildSAT: Learning Satellite Image Representations from Wildlife Observations
- Title（参考訳）: 野生生物観測から衛星画像の表現を学習するWildSAT
- Authors: Rangel Daroya, Elijah Cole, Oisin Mac Aodha, Grant Van Horn, Subhransu Maji,
- Abstract要約: 種の分布は、貴重な生態情報と環境情報をエンコードする。
衛星画像と地球にタグ付けされた何百万もの野生生物の観察を、市民科学プラットフォームで容易に利用できるようにするWildSATを紹介した。
- 参考スコア（独自算出の注目度）: 33.660389502623644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Species distributions encode valuable ecological and environmental information, yet their potential for guiding representation learning in remote sensing remains underexplored. We introduce WildSAT, which pairs satellite images with millions of geo-tagged wildlife observations readily-available on citizen science platforms. WildSAT employs a contrastive learning approach that jointly leverages satellite images, species occurrence maps, and textual habitat descriptions to train or fine-tune models. This approach significantly improves performance on diverse satellite image recognition tasks, outperforming both ImageNet-pretrained models and satellite-specific baselines. Additionally, by aligning visual and textual information, WildSAT enables zero-shot retrieval, allowing users to search geographic locations based on textual descriptions. WildSAT surpasses recent cross-modal learning methods, including approaches that align satellite images with ground imagery or wildlife photos, demonstrating the advantages of our approach. Finally, we analyze the impact of key design choices and highlight the broad applicability of WildSAT to remote sensing and biodiversity monitoring.
- Abstract（参考訳）: 種の分布は貴重な生態情報や環境情報をエンコードするが、リモートセンシングにおける表現学習を導く可能性はまだ未調査である。
衛星画像と地球にタグ付けされた何百万もの野生生物の観察を、市民科学プラットフォームで容易に利用できるようにするWildSATを紹介した。
WildSATは、衛星画像、種の発生マップ、テキストの生息地記述を訓練や微調整モデルに共同で活用する、対照的な学習アプローチを採用している。
このアプローチにより、多様な衛星画像認識タスクの性能が大幅に向上し、ImageNet予測モデルと衛星固有のベースラインの両方で性能が向上する。
さらに、視覚情報とテキスト情報を整列させることで、WildSATはゼロショット検索を可能にし、ユーザーはテキスト記述に基づいて地理的位置情報を検索できる。
WildSATは、衛星画像と地上画像や野生生物写真とを合わせるアプローチなど、最近のクロスモーダルな学習手法を超越し、我々のアプローチの利点を実証している。
最後に,重要な設計選択の影響を分析し,リモートセンシングと生物多様性モニタリングへのWildSATの適用性を強調した。
関連論文リスト
- Coverage Biases in High-Resolution Satellite Imagery [0.6749750044497731]
地中サンプリング距離が10m未満の光学衛星画像を提供する主要衛星コンステレーションのカバレッジバイアスについて検討した。
赤道から遠く離れた場所は、通常、研究中の星座によってより頻繁に再検討される。
歴史的衛星画像の可用性は、地上の社会経済的要因に影響されていることを示す。
論文 参考訳（メタデータ） (2025-05-05T07:30:01Z) - SatDepth: A Novel Dataset for Satellite Image Matching [0.0]
SatDepth'は,衛星画像のための画像マッチングフレームワークをトレーニングするために,高密度な地上真実対応を提供する新しいデータセットである。
我々は、我々のデータセットを使用して、既存の4つの画像マッチングフレームワークをベンチマークし、我々のデータセットでトレーニングされたモデルが、他のデータセットでトレーニングされたモデルよりも40%高い(最大40%の精度で)ことを確認するアブレーション調査を実施した。
論文 参考訳（メタデータ） (2025-03-17T00:14:13Z) - Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。
地上画像ごとに正の衛星画像と負の衛星画像を導き出す。
また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
論文 参考訳（メタデータ） (2024-09-10T12:57:16Z) - Geospecific View Generation -- Geometry-Context Aware High-resolution Ground View Inference from Satellite Views [5.146618378243241]
多視点衛星画像から弱い幾何学やテクスチャを最大限に尊重するジオ特殊ビューを生成するための新しいパイプラインを提案する。
本手法は,衛星画像からの包括的情報を用いて,位置の地上画像を直接予測する。
我々のパイプラインは、衛星画像のみに基づいて、実物に近い地上ビューを初めて生成したものであることを実証する。
論文 参考訳（メタデータ） (2024-07-10T21:51:50Z) - Using Texture to Classify Forests Separately from Vegetation [0.0]
本稿では,衛星画像データ中の森林領域を同定する静的アルゴリズムプロセスの初期提案について述べる。
そこで本研究では,分類および検証プロセスの精度向上のための次のステップについて述べる。
論文 参考訳（メタデータ） (2024-05-01T00:48:55Z) - Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。
小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。
128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文 参考訳（メタデータ） (2024-02-01T15:59:16Z) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳（メタデータ） (2023-12-06T16:53:17Z) - SatCLIP: Global, General-Purpose Location Embeddings with Satellite Imagery [22.716322265391852]
衛星コントラスト位置画像事前学習(SatCLIP)について紹介する。
SatCLIPは、公開衛星画像のCNNとViTの視覚パターンを地理的座標と一致させることで、位置の暗黙的な表現を学習する。
実験では、温度予測、動物認識、人口密度推定を含む9つの異なる位置依存タスクにおいて、SatCLIP埋め込みを用いて予測性能を向上させる。
論文 参考訳（メタデータ） (2023-11-28T19:14:40Z) - Multimodal Foundation Models for Zero-shot Animal Species Recognition in
Camera Trap Images [57.96659470133514]
モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。
教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。
コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
論文 参考訳（メタデータ） (2023-11-02T08:32:00Z) - Manipulating UAV Imagery for Satellite Model Training, Calibration and
Testing [4.514832807541816]
現代の家畜の農業はますますデータ駆動化が進み、広範囲のデータを収集するために効率的なリモートセンシングに依存している。
衛星画像はそのようなデータソースの1つであり、カバー範囲が増加しコストが低下するにつれて、農家にとってアクセスしやすくなっている。
本稿では,衛星データの品質に合わせた高分解能UAV画像の多時間データセットを提案する。
論文 参考訳（メタデータ） (2022-03-22T03:57:02Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Coming Down to Earth: Satellite-to-Street View Synthesis for
Geo-Localization [9.333087475006003]
クロスビュー画像に基づくジオローカライズは,この2つの領域間の視野と外観の違いから,非常に困難である。
衛星入力からリアルなストリートビューを合成することで,この不一致を明示的に解決できることを示す。
本稿では,画像合成と検索を共同で行うマルチタスクアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-03-11T17:40:59Z)
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。