論文の概要: Lossy Neural Compression for Geospatial Analytics: A Review

• arxiv url: http://arxiv.org/abs/2503.01505v1
• Date: Mon, 03 Mar 2025 13:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:25:45.519328
• Title: Lossy Neural Compression for Geospatial Analytics: A Review
• Title（参考訳）: 地理空間分析のためのロッシーニューラル圧縮 : レビュー
• Authors: Carlos Gomes, Isabelle Wittmann, Damien Robert, Johannes Jakubik, Tim Reichelt, Michele Martone, Stefano Maurogiovanni, Rikard Vinge, Jonas Hurst, Erik Scheurer, Rocco Sedona, Thomas Brunschwiler, Stefan Kesselheim, Matej Batic, Philip Stier, Jan Dirk Wegner, Gabriele Cavallaro, Edzer Pebesma, Michael Marszalek, Miguel A Belenguer-Plomer, Kennedy Adriko, Paolo Fraccaro, Romeo Kienzler, Rania Briq, Sabrina Benassou, Michele Lazzarini, Conrad M Albrecht,
• Abstract要約: 地理空間データに適用したニューラル圧縮(NC)の展開を概観する。 自然画像と対比して,EOデータとESMデータの特徴について考察する。 本稿では,機械間通信における圧縮特徴表現の転送の可能性について詳述する。
• 参考スコア（独自算出の注目度）: 6.101952142685563
• License:
• Abstract: Over the past decades, there has been an explosion in the amount of available Earth Observation (EO) data. The unprecedented coverage of the Earth's surface and atmosphere by satellite imagery has resulted in large volumes of data that must be transmitted to ground stations, stored in data centers, and distributed to end users. Modern Earth System Models (ESMs) face similar challenges, operating at high spatial and temporal resolutions, producing petabytes of data per simulated day. Data compression has gained relevance over the past decade, with neural compression (NC) emerging from deep learning and information theory, making EO data and ESM outputs ideal candidates due to their abundance of unlabeled data. In this review, we outline recent developments in NC applied to geospatial data. We introduce the fundamental concepts of NC including seminal works in its traditional applications to image and video compression domains with focus on lossy compression. We discuss the unique characteristics of EO and ESM data, contrasting them with "natural images", and explain the additional challenges and opportunities they present. Moreover, we review current applications of NC across various EO modalities and explore the limited efforts in ESM compression to date. The advent of self-supervised learning (SSL) and foundation models (FM) has advanced methods to efficiently distill representations from vast unlabeled data. We connect these developments to NC for EO, highlighting the similarities between the two fields and elaborate on the potential of transferring compressed feature representations for machine--to--machine communication. Based on insights drawn from this review, we devise future directions relevant to applications in EO and ESM.
• Abstract（参考訳）: 過去数十年間、地球観測(EO)のデータ量が爆発的に増加した。 地球の地表と大気の衛星画像による前例のない報道により、大量のデータが地上局に送信され、データセンターに保管され、エンドユーザに分散されなければならない。 現代の地球系モデル (ESMs) も同様の課題に直面し、空間的および時間的解像度で運用し、シミュレーション日に1ペタバイトのデータを生成する。 データ圧縮は、ディープラーニングと情報理論からニューラル圧縮(NC)が生まれ、EOデータとESMは、ラベルのないデータが豊富にあるため、理想的な候補を出力する。 本稿では,地理空間データに適用されたNCの最近の展開について概説する。 本稿では,NCの基本的概念として,画像圧縮領域やビデオ圧縮領域へのセミナルな応用について紹介する。 本稿では,EOデータとESMデータの特徴を考察し,それらの特徴を「自然画像」と対比し,それらがもたらす課題と機会を説明する。 さらに, 各種EOモダリティにおけるNCの適用状況について概説し, ESM圧縮の限界について検討する。 自己教師付き学習(SSL)と基礎モデル(FM)の出現は、膨大なラベルのないデータから表現を効率的に抽出する方法を進歩させてきた。 我々はこれらの開発をNC for EOに接続し、両者の類似点を強調し、機械間通信のための圧縮された特徴表現を転送する可能性について詳しく検討する。 本レビューから得られた知見に基づいて,EO および ESM の応用に関する今後の方向性を考察する。

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)
• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [76.95536611263356]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• 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)
• Compressing high-resolution data through latent representation encoding for downscaling large-scale AI weather forecast model [10.634513279883913]
  本稿では,高解像度データセットの圧縮に適した変分オートエンコーダフレームワークを提案する。 本フレームワークは,HRCLDASデータの3年間の保存容量を8.61TBから204GBに削減し,必須情報を保存した。
  論文  参考訳（メタデータ） (2024-10-10T05:38:03Z)
• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• Neural Compression of Atmospheric States [19.938380199858454]
  ニューラルネットワークの手法を用いて大気状態を圧縮する手法を提案する。 モデルの両方の族が小さな平均誤差のデシラタを満たすことを示す。 大気中における1000倍を超える圧縮比を示すとともに, 大気中における圧縮と減圧を約1秒の速さで示す。
  論文  参考訳（メタデータ） (2024-07-16T12:38:39Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Predicting the Geoeffectiveness of CMEs Using Machine Learning [0.0]
  この研究は、ホワイトライトコロナグラフデータセットに基づいてトレーニングされたさまざまな機械学習手法の実験に焦点を当てている。 我々は、ロジスティック回帰、K-Nearest Neighbors、Support Vector Machines、フォワード人工ニューラルネットワーク、およびアンサンブルモデルを用いたバイナリ分類モデルを開発する。 このタスクの主な課題、すなわち、我々のデータセットにおけるジオエフェクトイベントの数と非エフェクトイベントの数の間の極端な不均衡について論じる。
  論文  参考訳（メタデータ） (2022-06-23T03:56:22Z)

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。