Fugu-MT 論文翻訳(概要): Geospatial Foundational Embedder: Top-1 Winning Solution on EarthVision Embed2Scale Challenge (CVPR 2025)

論文の概要: Geospatial Foundational Embedder: Top-1 Winning Solution on EarthVision Embed2Scale Challenge (CVPR 2025)

arxiv url: http://arxiv.org/abs/2509.06993v1
Date: Wed, 03 Sep 2025 04:10:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-10 14:38:27.00625
Title: Geospatial Foundational Embedder: Top-1 Winning Solution on EarthVision Embed2Scale Challenge (CVPR 2025)
Title（参考訳）: Geospatial Foundational Embedder: Top-1 Winning Solution on EarthVision Embed2Scale Challenge (CVPR 2025)
Authors: Zirui Xu, Raphael Tang, Mike Bianco, Qi Zhang, Rishi Madhok, Nikolaos Karianakis, Fuxun Yu,
Abstract要約: EarthVision Embed2Scale Challenge (CVPR 2025)は、SSL4EO-S12ハイパースペクトル地理空間データキューブを埋め込みベクトルに埋め込む基礎的な地理空間モデルを開発することを目的としている。本稿では,Embed2Scale ChallengeにおけるTop-1入賞ソリューションの提案について紹介する。
参考スコア（独自算出の注目度）: 15.246992166367177
License: http://creativecommons.org/licenses/by/4.0/
Abstract: EarthVision Embed2Scale challenge (CVPR 2025) aims to develop foundational geospatial models to embed SSL4EO-S12 hyperspectral geospatial data cubes into embedding vectors that faciliatetes various downstream tasks, e.g., classification, regression, etc. In this technical report, we introduce our proposed method for the Top-1 winning solution on the Embed2Scale Challenge.
Abstract（参考訳）: EarthVision Embed2Scale Challenge (CVPR 2025) は、SSL4EO-S12ハイパースペクトル地理空間データキューブを、さまざまな下流タスク、例えば分類、回帰といったタスクをファシリテートする埋め込みベクトルに埋め込む、基本的な地理空間モデルを開発することを目的としている。本稿では,Embed2Scale ChallengeにおけるTop-1入賞ソリューションの提案について紹介する。

関連論文リスト

EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
論文参考訳（メタデータ） (2025-04-28T02:41:12Z)
Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
論文参考訳（メタデータ） (2025-04-09T15:13:26Z)
First Place Solution to the ECCV 2024 BRAVO Challenge: Evaluating Robustness of Vision Foundation Models for Semantic Segmentation [1.8570591025615457]
我々はECCV 2024 BRAVO Challengeの第1位となるソリューションを提示する。モデルはCityscapesでトレーニングされ、その堅牢性はいくつかのアウト・オブ・ディストリビューションデータセットで評価される。このアプローチは、より複雑な既存のアプローチよりも優れており、チャレンジにおいて第一位を達成しています。
論文参考訳（メタデータ） (2024-09-25T16:15:06Z)
AIM 2024 Sparse Neural Rendering Challenge: Methods and Results [64.19942455360068]
本稿では,ECCV 2024と共同で開催されるAIM(Advanceds in Image Manipulation)ワークショップの一部であるスパースニューラルレンダリングの課題についてレビューする。この課題は、スパース画像から多様なシーンを合成する新しいカメラビューを作ることである。参加者は、Pak Signal-to-Noise Ratio (PSNR) 測定によって測定された地中真実像に対する客観的忠実度を最適化するよう依頼される。
論文参考訳（メタデータ） (2024-09-23T14:17:40Z)
ICML Topological Deep Learning Challenge 2024: Beyond the Graph Domain [82.10943542681696]
この課題は、異なる離散トポロジカル領域におけるデータの表現の問題に焦点を当てた。この挑戦は全ての要求を満たす52の応募を受けた。本稿では,課題のメインスコープを紹介し,主な成果と調査結果を要約する。
論文参考訳（メタデータ） (2024-09-08T19:59:53Z)
Self-training solutions for the ICCV 2023 GeoNet Challenge [36.14210246051459]
本ソリューションでは,Swin Transformerバックボーンを備えた2段階のソースフリードメイン適応フレームワークを用いて,米国からアジアドメインへの知識伝達を実現する。提案手法は74.56%のHスコアを達成し,GeoUniDAチャレンジで1位となった。 GeoImNetとGeoPlacesの課題では、ソリューションはそれぞれ64.46%と51.23%というトップ3の精度に達した。
論文参考訳（メタデータ） (2023-11-28T14:57:14Z)
2nd Place Solution for SODA10M Challenge 2021 -- Continual Detection Track [35.06282647572304]
ResNet50-FPNをベースラインとして採用し、最終的な提案モデルのいくつかの改善を試みる。タスク固有のリプレイ方式,学習率スケジューリング,モデルキャリブレーション,原画像スケールの使用により,画像中の大小オブジェクトの性能向上が期待できる。
論文参考訳（メタデータ） (2021-10-25T15:58:19Z)
Two-Stream Consensus Network: Submission to HACS Challenge 2021 Weakly-Supervised Learning Track [78.64815984927425]
弱い監督による時間的行動ローカライゼーションの目標は、ビデオの興味ある動作を時間的に特定し、分類することである。この課題では,2ストリームコンセンサスネットワーク(TSCN)を主要なフレームワークとして採用しています。この課題では,本手法が今後の学術研究のベースラインとなることを期待して,第2位にランクインした。
論文参考訳（メタデータ） (2021-06-21T03:36:36Z)
2nd Place Solution to ECCV 2020 VIPriors Object Detection Challenge [24.368684444351068]
我々は、最先端のデータ強化戦略、モデル設計、および後処理アンサンブル手法を用いることで、データ不足の難しさを克服し、競争結果を得ることができることを示す。当社の全体的な検出システムは,COCO 2017の検証セット上で,事前トレーニングや移行学習の重み付けなしで,わずか10Kのトレーニングイメージを使用して36.6$%のAPを達成している。
論文参考訳（メタデータ） (2020-07-17T09:21:29Z)

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。