論文の概要: A Genealogy of Multi-Sensor Foundation Models in Remote Sensing

• arxiv url: http://arxiv.org/abs/2504.17177v1
• Date: Thu, 24 Apr 2025 01:23:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.212825
• Title: A Genealogy of Multi-Sensor Foundation Models in Remote Sensing
• Title（参考訳）: リモートセンシングにおけるマルチセンサ基礎モデルの系譜
• Authors: Kevin Lane, Morteza Karimzadeh,
• Abstract要約: ファウンデーションモデルはリモートセンシングにおける表現学習の注目を集めている。 本稿では,コンピュータビジョン分野におけるこれらのアプローチとそのルーツについて検討する。 本稿では,大規模計算資源の必要性を軽減するための学習された表現と手法の質について論じる。
• 参考スコア（独自算出の注目度）: 1.4364491422470593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models have garnered increasing attention for representation learning in remote sensing, primarily adopting approaches that have demonstrated success in computer vision with minimal domain-specific modification. However, the development and application of foundation models in this field are still burgeoning, as there are a variety of competing approaches that each come with significant benefits and drawbacks. This paper examines these approaches along with their roots in the computer vision field in order to characterize potential advantages and pitfalls while outlining future directions to further improve remote sensing-specific foundation models. We discuss the quality of the learned representations and methods to alleviate the need for massive compute resources. We place emphasis on the multi-sensor aspect of Earth observations, and the extent to which existing approaches leverage multiple sensors in training foundation models in relation to multi-modal foundation models. Finally, we identify opportunities for further harnessing the vast amounts of unlabeled, seasonal, and multi-sensor remote sensing observations.
• Abstract（参考訳）: ファウンデーションモデルは、リモートセンシングにおける表現学習の注目を集めており、主にドメイン固有の変更を最小限に抑えたコンピュータビジョンの成功を示すアプローチを採用している。 しかし、この分野における基礎モデルの開発と応用は、様々な競合するアプローチがあり、それぞれに大きな利点と欠点があるため、いまだに急成長している。 本稿では,これらのアプローチをコンピュータビジョン分野のルーツとともに検討し,潜在的な利点や落とし穴を特徴付けるとともに,将来の方向性を概説し,リモートセンシング固有の基礎モデルをさらに改善する。 本稿では,大規模計算資源の必要性を軽減するための学習された表現と手法の質について論じる。 我々は、地球観測におけるマルチセンサの側面と、既存のアプローチが、マルチモーダル基礎モデルと関連する基礎モデルのトレーニングにおいて、複数のセンサを利用する範囲に重点を置いている。 最後に, 大量の未ラベル, 季節, マルチセンサーのリモートセンシング観測を更に活用する機会を見出した。

関連論文リスト

• A Survey on Remote Sensing Foundation Models: From Vision to Multimodality [35.532200523631765]
  リモートセンシングのための視覚とマルチモーダル基礎モデルは、インテリジェントな地理空間データ解釈能力を大幅に向上させた。 データタイプの多様性、大規模アノテートデータセットの必要性、マルチモーダル融合技術の複雑さは、これらのモデルの効果的なデプロイに重大な障害をもたらす。 本稿では、リモートセンシングのための最先端のビジョンモデルとマルチモーダル基礎モデルについて、アーキテクチャ、トレーニング方法、データセット、アプリケーションシナリオに焦点をあててレビューする。
  論文  参考訳（メタデータ） (2025-03-28T01:57:35Z)
• Embracing Diversity: A Multi-Perspective Approach with Soft Labels [3.529000007777341]
  本稿では,複数のアノテータが議論の的となっているトピックに基づいてスタンスを割り当てる,スタンス検出タスクにおける視点認識モデルの設計手法を提案する。 その結果,マルチパースペクティブアプローチにより,より優れた分類性能(より高いF1スコア)が得られることがわかった。
  論文  参考訳（メタデータ） (2025-03-01T13:33:38Z)
• 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)
• Exploring Foundation Models in Remote Sensing Image Change Detection: A Comprehensive Survey [2.9373912230684565]
  変化検出は環境モニタリング,都市開発,土地利用分析などの分野に広く応用されている。 ディープラーニング、特に基礎モデルの開発は、特徴抽出とデータ融合のためのより強力なソリューションを提供してきた。 本稿では, リモートセンシングタスクにおける基礎モデルの適用を中心に, 変更検出の分野における最新の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2024-10-10T11:16:05Z)
• Improving satellite imagery segmentation using multiple Sentinel-2 revisits [0.0]
  我々は、微調整された事前学習されたリモートセンシングモデルのフレームワークにおいて、リビジョンを使用する最善の方法を探る。 モデル潜在空間における複数の再試行からの融合表現は、他の再試行法よりも優れていることが判明した。 SWINトランスフォーマーベースのアーキテクチャは、U-netやViTベースのモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-09-25T21:13:33Z)
• Vision Foundation Models in Remote Sensing: A Survey [6.036426846159163]
  ファンデーションモデルは、前例のない精度と効率で幅広いタスクを実行することができる大規模で事前訓練されたAIモデルである。 本調査は, 遠隔センシングにおける基礎モデルの開発と応用を継続するために, 進展のパノラマと将来性のある経路を提供することによって, 研究者や実践者の資源として機能することを目的としている。
  論文  参考訳（メタデータ） (2024-08-06T22:39:34Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• Automatic Discovery of Visual Circuits [66.99553804855931]
  本稿では,視覚モデルにおける視覚的概念の認識の基盤となる計算グラフのサブグラフを抽出するスケーラブルな手法について検討する。 提案手法は, モデル出力に因果的に影響を及ぼす回路を抽出し, これらの回路を編集することで, 敵攻撃から大きな事前学習モデルを守ることができることがわかった。
  論文  参考訳（メタデータ） (2024-04-22T17:00:57Z)
• Graph Foundation Models: Concepts, Opportunities and Challenges [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 一般化と適応における基礎モデルの能力は、グラフ機械学習研究者を動機付け、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Toward Foundation Models for Earth Monitoring: Proposal for a Climate Change Benchmark [95.19070157520633]
  近年の自己スーパービジョンの進歩は、大量の教師なしデータ上で大規模なニューラルネットワークを事前訓練することで、下流タスクの一般化が著しく増加することを示している。 基礎モデルとして最近作られたそのようなモデルは、自然言語処理の分野に転換してきた。 気候変動に関連する様々な下流タスクからなる新しいベンチマークを開発することを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:38:19Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)

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。