論文の概要: Landsat-Bench: Datasets and Benchmarks for Landsat Foundation Models

• arxiv url: http://arxiv.org/abs/2506.08780v1
• Date: Tue, 10 Jun 2025 13:24:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.551088
• Title: Landsat-Bench: Datasets and Benchmarks for Landsat Foundation Models
• Title（参考訳）: Landsat-Bench: Landsat Foundation Modelのデータセットとベンチマーク
• Authors: Isaac Corley, Lakshay Sharma, Ruth Crasto,
• Abstract要約: Landsat-Benchは、既存のリモートセンシングデータセットから適応する、Landsatイメージを備えた3つのベンチマークスイートである。 我々はSSL4EO-Lデータセットで事前訓練された共通アーキテクチャとLandsat基盤モデルの両方のベースラインと標準化された評価手法を確立する。
• 参考スコア（独自算出の注目度）: 0.6144680854063939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Landsat program offers over 50 years of globally consistent Earth imagery. However, the lack of benchmarks for this data constrains progress towards Landsat-based Geospatial Foundation Models (GFM). In this paper, we introduce Landsat-Bench, a suite of three benchmarks with Landsat imagery that adapt from existing remote sensing datasets -- EuroSAT-L, BigEarthNet-L, and LC100-L. We establish baseline and standardized evaluation methods across both common architectures and Landsat foundation models pretrained on the SSL4EO-L dataset. Notably, we provide evidence that SSL4EO-L pretrained GFMs extract better representations for downstream tasks in comparison to ImageNet, including performance gains of +4% OA and +5.1% mAP on EuroSAT-L and BigEarthNet-L.
• Abstract（参考訳）: ランドサット計画では、地球上の50年以上の連続した画像が提供されている。 しかし、このデータに対するベンチマークの欠如は、LandsatベースのGeospatial Foundation Models (GFM) に進展する。 本稿では、既存のリモートセンシングデータセット(EuroSAT-L、BigEarthNet-L、LC100-L)から適応する、Landsat画像を用いた3つのベンチマークスイートであるLandsat-Benchを紹介する。 我々はSSL4EO-Lデータセットで事前訓練された共通アーキテクチャとLandsat基盤モデルの両方のベースラインと標準化された評価手法を確立する。 特に、SSL4EO-Lで事前訓練されたGFMが、ImageNetと比較して、より優れた下流タスクの表現を抽出する証拠として、EuroSAT-LとBigEarthNet-Lのパフォーマンス向上率+4%、+5.1%である。

関連論文リスト

• Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep Learning: A Case Study of Nigeria [0.6827423171182154]
  私たちはグローバルな作物のデータセットと手書きのデータセットを組み合わせて、2020年にナイジェリアの新しい作物の地図を10m解像度で作成するための機械学習モデルをトレーニングしています。 本研究では,センチネル-1,2,ERA5気候データ,DEMデータなどのリモートセンシング源からの画素級時系列入力データに加えて,作物の存在を示すバイナリラベルも提供する。 We found that the existing WorldCover map are the best with a F1-score 0.825 and correct of 0.870 on the test set, then a single-headed LSTM model with our hand-labeled training。
  論文  参考訳（メタデータ） (2023-12-18T01:23:22Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• SSL4EO-L: Datasets and Foundation Models for Landsat Imagery [8.34029977985994]
  ランドサット計画 (Landsat program) は、過去最長の地球観測計画であり、8つの衛星による50年以上のデータ取得である。 深層学習やリモートセンシングの普及にもかかわらず、ほとんどの研究者はランドサットの画像解析に決定木とランダムな森林を使っている。 本稿では,ランドサット衛星群を対象としたセルフ・スーパーバイザード・ラーニング・フォー・アース・オブ・オブ・アース・オブ・ザ・観察のために設計された最初のデータセットであるSSL4EO-Lを紹介する。
  論文  参考訳（メタデータ） (2023-06-15T18:11:20Z)
• SATIN: A Multi-Task Metadataset for Classifying Satellite Imagery using Vision-Language Models [33.814335088752046]
  SATellite ImageNet(SATIN)は,既存の27のリモートセンシングデータセットから算出したメタデータセットである。 SATIN上での広帯域ビジョン言語(VL)モデルのゼロショット転送分類能力を総合的に評価する。 SATINは,評価する上で最強のベンチマークであり,分類精度は52.0%である。
  論文  参考訳（メタデータ） (2023-04-23T11:23:05Z)
• 4Seasons: Benchmarking Visual SLAM and Long-Term Localization for Autonomous Driving in Challenging Conditions [54.59279160621111]
  大規模4Seasonsデータセットに基づく課題条件下での自律運転のための新しい視覚的SLAMと長期局所化ベンチマークを提案する。 提案したベンチマークでは,季節変化や天候,照明条件の変動による劇的な外見の変化が報告されている。 本稿では,視覚計測,大域的位置認識,および地図に基づく視覚的位置決め性能を共同評価するための統合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2022-12-31T13:52:36Z)
• A Coarse-to-Fine Approach for Urban Land Use Mapping Based on Multisource Geospatial Data [4.2968261363970095]
  本稿では,パーセルレベルの都市土地利用マッピングのための機械学習に基づくアプローチを提案する。 まず、道路網から生成された区画に基づいて、都市をビルトアップと非ビルトアップに分割する。 次に,異なる地域におけるパーセルの分類戦略を採用し,最終的に分類結果を統合された土地利用地図に組み合わせた。
  論文  参考訳（メタデータ） (2022-08-18T13:30:56Z)
• Improving Visual Grounding by Encouraging Consistent Gradient-based Explanations [58.442103936918805]
  注意マスク整合性は,従来の方法よりも優れた視覚的グラウンドリング結果が得られることを示す。 AMCは効率的で実装が容易であり、どんな視覚言語モデルでも採用できるため一般的である。
  論文  参考訳（メタデータ） (2022-06-30T17:55:12Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)

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。