論文の概要: Assessing Foundation Models for Sea Ice Type Segmentation in Sentinel-1 SAR Imagery
- arxiv url: http://arxiv.org/abs/2503.22516v1
- Date: Fri, 28 Mar 2025 15:21:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-31 15:28:34.649065
- Title: Assessing Foundation Models for Sea Ice Type Segmentation in Sentinel-1 SAR Imagery
- Title（参考訳）: Sentinel-1 SAR画像における海氷型セグメンテーションの基礎モデルの評価
- Authors: Samira Alkaee Taleghan, Morteza Karimzadeh, Andrew P. Barrett, Walter N. Meier, Farnoush Banaei-Kashani,
- Abstract要約: 本研究では,Sentinel-1画像を用いた海氷型セグメンテーションの基礎モデル10点について検討した。
選択されたモデルの中で、Prithvi-600Mはベースラインモデルより優れており、CROMAはF1スコアで非常によく似たパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 2.255599116578844
- License:
- Abstract: Accurate segmentation of sea ice types is essential for mapping and operational forecasting of sea ice conditions for safe navigation and resource extraction in ice-covered waters, as well as for understanding polar climate processes. While deep learning methods have shown promise in automating sea ice segmentation, they often rely on extensive labeled datasets which require expert knowledge and are time-consuming to create. Recently, foundation models (FMs) have shown excellent results for segmenting remote sensing images by utilizing pre-training on large datasets using self-supervised techniques. However, their effectiveness for sea ice segmentation remains unexplored, especially given sea ice's complex structures, seasonal changes, and unique spectral signatures, as well as peculiar Synthetic Aperture Radar (SAR) imagery characteristics including banding and scalloping noise, and varying ice backscatter characteristics, which are often missing in standard remote sensing pre-training datasets. In particular, SAR images over polar regions are acquired using different modes than used to capture the images at lower latitudes by the same sensors that form training datasets for FMs. This study evaluates ten remote sensing FMs for sea ice type segmentation using Sentinel-1 SAR imagery, focusing on their seasonal and spatial generalization. Among the selected models, Prithvi-600M outperforms the baseline models, while CROMA achieves a very similar performance in F1-score. Our contributions include offering a systematic methodology for selecting FMs for sea ice data analysis, a comprehensive benchmarking study on performances of FMs for sea ice segmentation with tailored performance metrics, and insights into existing gaps and future directions for improving domain-specific models in polar applications using SAR data.
- Abstract（参考訳）: 海氷の正確なセグメンテーションは、氷に覆われた海域での安全な航行と資源抽出のための海氷条件のマッピングと運用予測、および極性気候過程の理解に不可欠である。
深層学習の手法は海氷セグメンテーションの自動化に有望であるが、専門家の知識を必要とする広範囲なラベル付きデータセットに頼っていることが多い。
近年,基盤モデル (FM) は, 遠隔センシング画像のセグメント化において, 自己監督技術を用いて, 大規模データセット上で事前学習を行うことにより, 優れた結果を示している。
しかし、特に海氷の複雑な構造、季節的変化、特異なスペクトルシグネチャ、特にバンドリングや傾斜ノイズを含む特異な合成開口レーダ(SAR)の特徴や、標準のリモートセンシング事前訓練データセットでしばしば欠落する様々な氷後方散乱特性を考えると、海氷のセグメンテーションの有効性は未解明のままである。
特に、極域上のSAR画像は、FMのトレーニングデータセットを形成するのと同じセンサーによって、低緯度で画像をキャプチャするために使用されるのとは異なるモードで取得される。
本研究では, 季節と空間の一般化に着目したSentinel-1 SAR画像を用いて, 海氷型セグメンテーションのための10個のリモートセンシングFMの評価を行った。
選択されたモデルの中で、Prithvi-600Mはベースラインモデルより優れており、CROMAはF1スコアで非常によく似たパフォーマンスを実現している。
コントリビューションには、海氷データ分析のためのFMを選択するための体系的な方法論、海氷セグメンテーションのためのFMのパフォーマンスに関する総合的なベンチマーク、SARデータを用いた極地アプリケーションにおけるドメイン固有モデルの改善のための既存のギャップと今後の方向性に関する洞察が含まれる。
関連論文リスト
- 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) - SIFM: A Foundation Model for Multi-granularity Arctic Sea Ice Forecasting [19.23074065880929]
本研究では,北極海氷再解析データから自然に得られた時間的多粒度を育成することを提案する。
我々の海氷基礎モデル(SIFM)は、粒内情報と粒間情報の両方を活用するように設計されている。
実験の結果,SIFMは特定の時間的粒度の深層学習モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-10-16T08:52:12Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Deep Learning on SAR Imagery: Transfer Learning Versus Randomly
Initialized Weights [1.6969743728555278]
我々は、スクラッチから訓練したディープラーニングモデルと、この目的のために微調整した事前学習モデルのパフォーマンスを比較した。
以上の結果から, 予訓練モデルにより, 特に融雪期の試験試料において, 良好な結果が得られたことが示唆された。
論文 参考訳（メタデータ） (2023-10-26T03:52:54Z) - MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic
Sea Ice Forecasting [0.31410342959104726]
我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。
提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
論文 参考訳（メタデータ） (2023-08-08T18:18:31Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳（メタデータ） (2023-06-15T10:06:13Z) - Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。
本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。
この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
論文 参考訳（メタデータ） (2022-10-17T09:14:35Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Guided deep learning by subaperture decomposition: ocean patterns from
SAR imagery [36.922471841100176]
センチネル1 SAR 波動モードのヴィグネットは、2014年以来、多くの重要な海洋現象や大気現象を捉えてきた。
本研究では,SAR深層学習モデルの事前処理段階としてサブアパーチャ分解を適用することを提案する。
論文 参考訳（メタデータ） (2022-04-09T09:49:05Z) - Recognition of polar lows in Sentinel-1 SAR images with deep learning [5.571369922847262]
本研究では, 海洋性メソサイクロン, 陰性, 正常な海の状態を表すSentinel-1画像からなる新しいデータセットについて紹介する。
データセットは、ラベル付きイメージを分類するためにディープラーニングモデルをトレーニングするために使用される。
このモデルではF-1スコアが0.95であり、SAR画像から極低を一貫して検出できることを示している。
論文 参考訳（メタデータ） (2022-03-30T15:32:39Z) - Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。
レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。
実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文 参考訳（メタデータ） (2020-09-30T19:01:33Z)
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。