論文の概要: AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data

• arxiv url: http://arxiv.org/abs/2507.22291v1
• Date: Tue, 29 Jul 2025 23:55:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:17.903666
• Title: AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data
• Title（参考訳）: AlphaEarth Foundations: スパースラベルデータからの高精度で効率的なグローバルマッピングのための埋め込みフィールドモデル
• Authors: Christopher F. Brown, Michal R. Kazmierski, Valerie J. Pasquarella, William J. Rucklidge, Masha Samsikova, Chenhui Zhang, Evan Shelhamer, Estefania Lahera, Olivia Wiles, Simon Ilyushchenko, Noel Gorelick, Lihui Lydia Zhang, Sophia Alj, Emily Schechter, Sean Askay, Oliver Guinan, Rebecca Moore, Alexis Boukouvalas, Pushmeet Kohli,
• Abstract要約: 我々は、高度に一般化された地理空間表現をもたらす埋め込み場モデルであるAlphaEarth Foundationsを紹介する。 2017年から2024年にかけて、グローバル、年次、分析対応の埋め込みフィールドレイヤのデータセットをリリースします。
• 参考スコア（独自算出の注目度）: 18.7927140265097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unprecedented volumes of Earth observation data are continually collected around the world, but high-quality labels remain scarce given the effort required to make physical measurements and observations. This has led to considerable investment in bespoke modeling efforts translating sparse labels into maps. Here we introduce AlphaEarth Foundations, an embedding field model yielding a highly general, geospatial representation that assimilates spatial, temporal, and measurement contexts across multiple sources, enabling accurate and efficient production of maps and monitoring systems from local to global scales. The embeddings generated by AlphaEarth Foundations are the only to consistently outperform all previous featurization approaches tested on a diverse set of mapping evaluations without re-training. We will release a dataset of global, annual, analysis-ready embedding field layers from 2017 through 2024.
• Abstract（参考訳）: 先例のない地球観測データは世界中で継続的に収集されているが、物理的測定や観測に必要な努力を考えると、高品質なラベルはほとんど残っていない。 これにより、スパースラベルを地図に翻訳するベスポーク・モデリングにかなりの投資がなされた。 ここではAlphaEarth Foundationsを紹介し,空間的,時間的,計測的コンテキストを複数のソースにわたって同化し,地域規模からグローバルスケールまでの地図やモニタリングシステムの正確かつ効率的な生成を可能にする,高度に汎用的な地理空間表現をもたらす埋め込み場モデルについて紹介する。 AlphaEarth Foundationsが生成した埋め込みは、再トレーニングなしで様々なマッピング評価でテストされた過去の成果化アプローチを一貫して上回っている唯一の方法である。 2017年から2024年にかけて、グローバル、年次、分析対応の埋め込みフィールドレイヤのデータセットをリリースします。

関連論文リスト

• HyBiomass: Global Hyperspectral Imagery Benchmark Dataset for Evaluating Geospatial Foundation Models in Forest Aboveground Biomass Estimation [1.0408909053766147]
  本研究では,森林表層バイオマス(AGB)推定のためのグローバル分散ベンチマークデータセットを提案する。 このベンチマークデータセットは、環境マッピング・分析プログラム(EnMAP)衛星からのHSIと、AGB密度推定の予測を組み合わせたものである。 このデータセットを用いた実験結果から,評価されたGeo-FMがベースラインU-Netの性能を上回り得るか,場合によっては超えることを示した。
  論文  参考訳（メタデータ） (2025-06-12T21:29:20Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• Geographical Context Matters: Bridging Fine and Coarse Spatial Information to Enhance Continental Land Cover Mapping [2.9212099078191756]
  BRIDGE-LCは,土地被覆分類プロセスに大規模地理空間情報を統合する,新しい深層学習フレームワークである。 その結果,地理空間情報の統合により土地被覆マッピング性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-04-16T17:42:46Z)
• Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
  3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。 大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。 また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
  論文  参考訳（メタデータ） (2025-02-19T14:21:25Z)
• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• Global and Dense Embeddings of Earth: Major TOM Floating in the Latent Space [0.0]
  基盤となる生データの効率的なベクトル表現の必要性が高まっている。 事前訓練されたディープニューラルネットワークから特徴表現を抽出するアプローチは、入力データのセマンティック抽象化を提供する強力なアプローチである。 本研究では、地球観測のためのオープンで自由なAI対応データセットのプロビジョニングと標準化に焦点を当てた、既存のコミュニティプロジェクトであるMajor TOMへの拡張提案を行う。
  論文  参考訳（メタデータ） (2024-12-07T09:49:47Z)
• Ben-ge: Extending BigEarthNet with Geographical and Environmental Data [1.1377027568901037]
  本稿では,世界規模で利用可能な地理・環境データを自由にコンパイルすることで,BigEarthNet-MMデータセットを補完するben-geデータセットを提案する。 このデータセットに基づいて、パッチベースの土地利用/土地被覆分類と土地利用/土地被覆区分の下流タスクに異なるデータモダリティを組み合わせる価値を示す。
  論文  参考訳（メタデータ） (2023-07-04T14:17:54Z)
• OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover Mapping [15.419052489797775]
  OpenEarthMapは、グローバルな高解像度土地被覆マッピングのためのベンチマークデータセットである。 6大陸44か国から97の地域をカバーしている5000の航空画像と衛星画像の2200万部で構成されている。
  論文  参考訳（メタデータ） (2022-10-19T17:20:16Z)
• 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)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)

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。