論文の概要: Robustness to Geographic Distribution Shift using Location Encoders

• arxiv url: http://arxiv.org/abs/2503.02036v1
• Date: Mon, 03 Mar 2025 20:24:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:22:08.496162
• Title: Robustness to Geographic Distribution Shift using Location Encoders
• Title（参考訳）: 位置エンコーダを用いた地理的分布変化に対するロバスト性
• Authors: Ruth Crasto,
• Abstract要約: 地理分布の変化は、トレーニングデータセットにおける地球上の位置の分布がテスト時に見られるものと異なるときに起こる。 本稿では、地理的分布シフトに対してより堅牢なトレーニングモデルに位置エンコーダを用いることを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Geographic distribution shift arises when the distribution of locations on Earth in a training dataset is different from what is seen at test time. The most common approaches to tackling geographic distribution shift treat regions delimited by administrative boundaries such as countries or continents as separate domains and apply standard domain adaptation methods, ignoring geographic coordinates that are often available as metadata. This paper proposes the use of location encoders for training models that are more robust to geographic distribution shift. We show how both simple sine-cosine encoders and pre-trained location encoders can be used to improve standard domain adaptation methods for the special case of geographic distribution shift. Our proposed methods achieve state-of-the-art results on geo-tagged imagery datasets from the WILDS benchmark.
• Abstract（参考訳）: 地理分布の変化は、トレーニングデータセットにおける地球上の位置の分布がテスト時に見られるものと異なるときに起こる。 地理的分布シフトに対処する最も一般的なアプローチは、国や大陸などの行政境界によって区切られた地域を別個のドメインとして扱い、標準的なドメイン適応手法を適用し、しばしばメタデータとして利用できる地理的座標を無視している。 本稿では、地理的分布シフトに対してより堅牢なトレーニングモデルに位置エンコーダを用いることを提案する。 地理的分布シフトの特殊な場合において,単純な正弦コサインエンコーダと事前訓練された位置エンコーダの両方を用いて,標準領域適応法を改善する方法を示す。 提案手法は、WILDSベンチマークを用いて、ジオタグ付き画像データセットの最先端化を実現する。

関連論文リスト

• HMCGeo: IP Region Prediction Based on Hierarchical Multi-label Classification [9.993613732452122]
  位置ベースのサービスやサイバーセキュリティといったアプリケーションでは、粒度の細かいIPロケーションが重要な役割を果たす。 本稿では,HMCGeoというIP領域予測のための階層型マルチラベル分類フレームワークを提案する。 我々は,HMCGeoがすべての地理的粒度に対して優れた性能を示し,既存のIP位置情報法を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2025-01-26T08:58:14Z)
• Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
  本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。 本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。 次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
  論文  参考訳（メタデータ） (2024-07-18T19:15:52Z)
• GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization [61.10806364001535]
  世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。 既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。 画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-09-27T20:54:56Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• 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)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Leveraging Domain Adaptation for Low-Resource Geospatial Machine Learning [0.0]
  多くのラベル付き地理空間データセットは特定の地域、楽器、極端な気象イベントに特化している。 提案した複数の地理空間ベンチマークに対する最新のドメイン適応の適用について検討する。
  論文  参考訳（メタデータ） (2021-07-11T06:47:20Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)

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。