論文の概要: OBSR: Open Benchmark for Spatial Representations

• arxiv url: http://arxiv.org/abs/2510.05879v2
• Date: Thu, 09 Oct 2025 10:19:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 12:56:53.571314
• Title: OBSR: Open Benchmark for Spatial Representations
• Title（参考訳）: OBSR:空間表現のためのオープンベンチマーク
• Authors: Julia Moska, Oleksii Furman, Kacper Kozaczko, Szymon Leszkiewicz, Jakub Polczyk, Piotr Gramacki, Piotr Szymański,
• Abstract要約: 本稿では地理空間埋め込み器の性能, 精度, 効率を評価するための新しいベンチマークを提案する。 我々のベンチマークは、モダリティに依存しないものであり、3大陸にまたがる多様な都市から7つの異なるデータセットで構成されている。
• 参考スコア（独自算出の注目度）: 0.3936827689390718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: GeoAI is evolving rapidly, fueled by diverse geospatial datasets like traffic patterns, environmental data, and crowdsourced OpenStreetMap (OSM) information. While sophisticated AI models are being developed, existing benchmarks are often concentrated on single tasks and restricted to a single modality. As such, progress in GeoAI is limited by the lack of a standardized, multi-task, modality-agnostic benchmark for their systematic evaluation. This paper introduces a novel benchmark designed to assess the performance, accuracy, and efficiency of geospatial embedders. Our benchmark is modality-agnostic and comprises 7 distinct datasets from diverse cities across three continents, ensuring generalizability and mitigating demographic biases. It allows for the evaluation of GeoAI embedders on various phenomena that exhibit underlying geographic processes. Furthermore, we establish a simple and intuitive task-oriented model baselines, providing a crucial reference point for comparing more complex solutions.
• Abstract（参考訳）: GeoAIは、トラフィックパターンや環境データ、クラウドソーシングされたOpenStreetMap(OSM)情報といった多様な地理空間データセットによって、急速に進化している。 高度なAIモデルは開発されているが、既存のベンチマークは単一のタスクに集中し、単一のモダリティに制限されることが多い。 そのため、GeoAIの進歩は、標準化されたマルチタスク、モダリティに依存しないベンチマークの欠如によって制限されている。 本稿では地理空間埋め込み器の性能, 精度, 効率を評価するための新しいベンチマークを提案する。 当社のベンチマークはモダリティ非依存であり、3大陸にわたる多様な都市から7つの異なるデータセットで構成されており、一般化可能性を確保し、人口統計バイアスを軽減する。 基礎となる地理的過程を示す様々な現象に対するGeoAI埋め込みの評価を可能にする。 さらに,タスク指向のモデルベースラインをシンプルかつ直感的に構築し,より複雑なソリューションを比較する上で重要な基準点を提供する。

関連論文リスト

• GeoBS: Information-Theoretic Quantification of Geographic Bias in AI Models [34.611626290720295]
  我々はGeo-Biasスコア(Geo-Biasスコア)と呼ばれるジオバイアス評価のための情報理論の枠組みを確立する。 複雑な空間要因を考慮に入れた3つの新しい測地バイアススコアを提案する。
  論文  参考訳（メタデータ） (2025-09-27T20:07:21Z)
• GeoJEPA: Towards Eliminating Augmentation- and Sampling Bias in Multimodal Geospatial Learning [0.0]
  自己教師型統合埋め込み予測アーキテクチャ上に構築された地理空間データのための多目的多モード融合モデルであるGeoJEPAを提案する。 我々は,自己教師付き地理空間表現学習において広く受け入れられている増分とサンプリングバイアスを排除することを目的としている。 その結果,都市域のマルチモーダルな意味表現と,定量的かつ質的に評価するマップエンティティが得られた。
  論文  参考訳（メタデータ） (2025-02-25T22:03:28Z)
• 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)
• GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
  本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。 私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。 地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
  論文  参考訳（メタデータ） (2024-11-28T18:59:56Z)
• Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
  smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。 エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。 その結果,本手法は現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-21T03:31:30Z)
• TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning [36.725822223732635]
  位置(ポイント)エンコーディングのための学習フレームワークとベンチマークであるTorchSpatialを提案する。 TorchSpatialには3つの重要なコンポーネントが含まれている: 1) 一般的に認識されている15のロケーションエンコーダを統合する統合されたロケーションエンコーダフレームワーク、2) LocBenchベンチマークタスクは7つのジオアウェアイメージ分類と10のジオアウェアイメージ回帰データセットを含む。
  論文  参考訳（メタデータ） (2024-06-21T21:33:16Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)

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。