Fugu-MT 論文翻訳(概要): On the Generalization of Representation Uncertainty in Earth Observation

論文の概要: On the Generalization of Representation Uncertainty in Earth Observation

arxiv url: http://arxiv.org/abs/2503.07082v1
Date: Mon, 10 Mar 2025 09:04:50 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-11 15:53:00.369897
Title: On the Generalization of Representation Uncertainty in Earth Observation
Title（参考訳）: 地球観測における表現の不確かさの一般化について
Authors: Spyros Kondylatos, Nikolaos Ioannis Bountos, Dimitrios Michail, Xiao Xiang Zhu, Gustau Camps-Valls, Ioannis Papoutsis,
Abstract要約: 地球観測(EO)データにおける表現の不確実性の一般化について検討する。自然画像上で事前訓練された不確実性とは異なり、EO-pretrainingは目に見えないEOドメイン、地理的な位置、ターゲットの粒度の強い一般化を示す。本研究は,EOにおける表現の不確実性に関する議論を開始し,その強みと限界について考察する。
参考スコア（独自算出の注目度）: 18.74462879840487
License:
Abstract: Recent advances in Computer Vision have introduced the concept of pretrained representation uncertainty, enabling zero-shot uncertainty estimation. This holds significant potential for Earth Observation (EO), where trustworthiness is critical, yet the complexity of EO data poses challenges to uncertainty-aware methods. In this work, we investigate the generalization of representation uncertainty in EO, considering the domain's unique semantic characteristics. We pretrain uncertainties on large EO datasets and propose an evaluation framework to assess their zero-shot performance in multi-label classification and segmentation EO tasks. Our findings reveal that, unlike uncertainties pretrained on natural images, EO-pretraining exhibits strong generalization across unseen EO domains, geographic locations, and target granularities, while maintaining sensitivity to variations in ground sampling distance. We demonstrate the practical utility of pretrained uncertainties showcasing their alignment with task-specific uncertainties in downstream tasks, their sensitivity to real-world EO image noise, and their ability to generate spatial uncertainty estimates out-of-the-box. Initiating the discussion on representation uncertainty in EO, our study provides insights into its strengths and limitations, paving the way for future research in the field. Code and weights are available at: https://github.com/Orion-AI-Lab/EOUncertaintyGeneralization.
Abstract（参考訳）: コンピュータビジョンの最近の進歩は、事前訓練された表現の不確実性の概念を導入し、ゼロショットの不確実性推定を可能にした。これは地球観測(EO)にとって重要な可能性であり、信頼性は重要であるが、EOデータの複雑さは不確実性を認識した手法に課題をもたらす。本研究では,EOにおける表現の不確かさの一般化について,ドメイン固有の意味的特性を考慮して検討する。我々は,大規模なEOデータセットに対する不確実性を事前訓練し,マルチラベル分類およびセグメンテーションEOタスクにおけるゼロショット性能を評価するための評価フレームワークを提案する。自然画像上の不確実性とは異なり,EO-pretrainingは未確認のEOドメイン,地理的位置,ターゲット粒度に対して強い一般化を示し,地中サンプリング距離の変動に対する感受性を維持した。本稿では、下流タスクにおけるタスク固有の不確実性、実世界のEO画像ノイズに対する感度、空間的不確実性評価をアウト・オブ・ザ・ボックスで生成する能力など、事前訓練された不確実性の有効性を実証する。本研究は,EOにおける表現の不確実性に関する議論を開始し,その強みと限界についての洞察を与え,今後の研究への道を開くものである。コードとウェイトは、https://github.com/Orion-AI-Lab/EOUncertainty Generalization.comで入手できる。

関連論文リスト

A Critical Synthesis of Uncertainty Quantification and Foundation Models in Monocular Depth Estimation [13.062551984263031]
絶対距離の予測を伴う計量深度推定は、特定の課題を提起する。我々は、現在最先端のDepthAnythingV2基盤モデルを用いて、5つの異なる不確実性定量化手法を融合する。ガウス陰性対数損失(GNLL)による微調整は特に有望なアプローチである。
論文参考訳（メタデータ） (2025-01-14T15:13:00Z)
Post-hoc Probabilistic Vision-Language Models [51.12284891724463]
視覚言語モデル(VLM)は、分類、検索、生成タスクにおいて顕著な成功を収めている。追加トレーニングを必要としないVLMにおけるポストホック不確実性評価を提案する。この結果から,大規模モデルの安全性クリティカルな応用が期待できることがわかった。
論文参考訳（メタデータ） (2024-12-08T18:16:13Z)
Uncertainty quantification for probabilistic machine learning in earth observation using conformal prediction [0.22265536092123003]
ダウンストリームアプリケーションに否定的な結果をもたらす人工知能(AI)システムを使用する場合、信頼性の低い予測が発生する可能性がある。コンフォーマル予測は、あらゆるデータセットに適用可能な不確実性定量化のためのモデルに依存しないフレームワークを提供する。点予測とともに不確実性を報告する必要性が高まっているため、地球観測応用における等角予測の約束に注意を向ける。
論文参考訳（メタデータ） (2024-01-12T07:31:21Z)
Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文参考訳（メタデータ） (2023-03-17T00:28:33Z)
On Attacking Out-Domain Uncertainty Estimation in Deep Neural Networks [11.929914721626849]
我々は,現在最先端の不確実性推定アルゴリズムが,我々の提案した敵攻撃の下で破滅的に失敗する可能性を示唆した。特に、領域外不確実性推定を攻撃することを目的としている。
論文参考訳（メタデータ） (2022-10-03T23:33:38Z)
CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文参考訳（メタデータ） (2021-10-04T17:59:31Z)
On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文参考訳（メタデータ） (2021-07-01T17:59:07Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
On the uncertainty of self-supervised monocular depth estimation [52.13311094743952]
単眼深度推定のための自己監督的パラダイムは、基礎的な真理アノテーションを全く必要としないため、非常に魅力的である。我々は,このタスクの不確かさを推定する方法と,これが深さ精度にどのように影響するかを初めて検討する。自己教師型アプローチに特化して設計された,斬新な手法を提案する。
論文参考訳（メタデータ） (2020-05-13T09:00:55Z)
Uncertainty Estimation in Autoregressive Structured Prediction [16.441252243846534]
本研究は,自己回帰的構造予測タスクの不確実性推定を考察することを目的とする。トークンレベルおよび完全シーケンスレベルにおけるシーケンスデータの不確実性推定、不確実性のさまざまな尺度の解釈と応用について考察する。この研究は、トークンレベルとシーケンスレベルのエラー検出、WMT'14とWMT'17の英独翻訳データセットにおけるシーケンスレベルのドメイン外の入力検出のベースラインも提供する。
論文参考訳（メタデータ） (2020-02-18T15:40:13Z)

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。