論文の概要: LandSegmenter: Towards a Flexible Foundation Model for Land Use and Land Cover Mapping

• arxiv url: http://arxiv.org/abs/2511.08156v1
• Date: Wed, 12 Nov 2025 01:43:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.672856
• Title: LandSegmenter: Towards a Flexible Foundation Model for Land Use and Land Cover Mapping
• Title（参考訳）: LandSegmenter: 土地利用と土地被覆マッピングのための柔軟な基礎モデルを目指して
• Abstract要約: 土地利用と土地被覆(LULC)マッピングは、地球観測の基本的な課題である。 ファンデーションモデル(FM)の最近の進歩は、ユニバーサルモデルを構築するための有望な機会を提供する。 本研究では,LandSegmenterを提案する。LULC FMフレームワークは,入力,モデル,出力レベルにおける3段階の課題を解決する。
• 参考スコア（独自算出の注目度）: 13.59442852640533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Land Use and Land Cover (LULC) mapping is a fundamental task in Earth Observation (EO). However, current LULC models are typically developed for a specific modality and a fixed class taxonomy, limiting their generability and broader applicability. Recent advances in foundation models (FMs) offer promising opportunities for building universal models. Yet, task-agnostic FMs often require fine-tuning for downstream applications, whereas task-specific FMs rely on massive amounts of labeled data for training, which is costly and impractical in the remote sensing (RS) domain. To address these challenges, we propose LandSegmenter, an LULC FM framework that resolves three-stage challenges at the input, model, and output levels. From the input side, to alleviate the heavy demand on labeled data for FM training, we introduce LAnd Segment (LAS), a large-scale, multi-modal, multi-source dataset built primarily with globally sampled weak labels from existing LULC products. LAS provides a scalable, cost-effective alternative to manual annotation, enabling large-scale FM training across diverse LULC domains. For model architecture, LandSegmenter integrates an RS-specific adapter for cross-modal feature extraction and a text encoder for semantic awareness enhancement. At the output stage, we introduce a class-wise confidence-guided fusion strategy to mitigate semantic omissions and further improve LandSegmenter's zero-shot performance. We evaluate LandSegmenter on six precisely annotated LULC datasets spanning diverse modalities and class taxonomies. Extensive transfer learning and zero-shot experiments demonstrate that LandSegmenter achieves competitive or superior performance, particularly in zero-shot settings when transferred to unseen datasets. These results highlight the efficacy of our proposed framework and the utility of weak supervision for building task-specific FMs.
• Abstract（参考訳）: 土地利用と土地被覆(LULC)マッピングは、地球観測(EO)の基本課題である。 しかし、現在のLULCモデルは、通常、特定のモダリティと固定クラス分類のために開発され、その生成可能性とより広範な適用性を制限する。 ファンデーションモデル(FM)の最近の進歩は、ユニバーサルモデルを構築するための有望な機会を提供する。 しかし、タスク非依存のFMはダウンストリームアプリケーションには微調整を必要とすることが多いが、タスク固有のFMはトレーニングのために大量のラベル付きデータに依存しており、これはリモートセンシング(RS)ドメインでは高価で実用的ではない。 これらの課題に対処するため,LandSegmenterを提案する。LULC FMフレームワークは,入力,モデル,出力レベルにおける3段階の課題を解決する。 入力側から、FMトレーニングのためのラベル付きデータに対する大きな需要を軽減するため、LAnd Segment (LAS)を導入します。 LASは手動アノテーションに代わるスケーラブルで費用対効果の高い代替手段を提供し、多様なLULCドメインにわたる大規模なFMトレーニングを可能にする。 モデルアーキテクチャにおいて、LandSegmenterは、クロスモーダルな特徴抽出のためのRS固有のアダプタと、意味認識向上のためのテキストエンコーダを統合している。 出力段階では、セマンティックな省略を緩和し、LandSegmenterのゼロショット性能をさらに改善するために、クラスワイドな信頼誘導融合戦略を導入する。 そこで,LandSegmenterを,多種多様な分類群と分類群にまたがる6つの正確なLULCデータセット上で評価した。 大規模な転送学習とゼロショット実験は、LandSegmenterが競争力や優れたパフォーマンスを実現していることを示している。 これらの結果から,提案手法の有効性と,タスク固有FM構築における弱監督の有用性が示された。

関連論文リスト

• Frequency and Edge-Guided Segment Anything Model for Remote Sensing Image Semantic Segmentation [39.9598566181483]
  Segment Anything Model (SAM)はRSISSタスクに対して強力なセグメンテーション性能と一般化機能を提供する。 FE-SAMはRSISSのスケーラブルで効率的なフレームワークである。 3つのベンチマークデータセットの実験では、FE-SAMが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2026-08-15T05:55:41Z)
• Parameter-Efficient Adaptation of Pre-Trained Vision Foundation Models for Active and Passive Seismic Data Denoising [4.127374559128319]
  高解像度地下イメージングと連続した地球観測の需要は、活動的および受動的地震データを急速に増加させてきた。 この拡張により、特に信号の忠実性を維持する必要がある場合、複雑なノイズ抑制がますます困難になる。 スクラッチから事前訓練された地震基盤モデルは、膨大なドメイン固有データと相当な計算を必要とする。 本研究では、ファインチューニングによる物理タスクのための汎用ビジョン基礎モデル(VFM)を再利用する効率的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-30T15:28:51Z)
• Multi-Domain Learning with Global Expert Mapping [102.62297074508147]
  Mixture-of-Experts (MoE)モデルは、入力を専門分野(専門家)にルーティングすることでスケーラブルなソリューションを提供する。 本稿では,学習ルータをグローバルスケジューラに置き換えるプランナー・コンパイラフレームワークであるGEMを提案する。 我々のプランナーは線形プログラミングの緩和に基づいて、データセットを専門家に分数的に割り当てる一方、コンパイラはこのソフトプランを決定論的でキャパシティを意識したマッピングに変換するために階層的なラウンドリングを適用する。 実験の結果、GEM-DINOはUODBベンチマークで最先端のパフォーマンスを達成し、表現不足のデータセットに顕著な利益をもたらし、タスク干渉をわずかに解決していることがわかった。
  論文  参考訳（メタデータ） (2026-04-20T21:09:34Z)
• FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios [58.34124792457706]
  製造業セクターは、単純な認識から自律的な実行に移行するために、MLLM(Multimodal Large Language Models)をますます採用している。 進捗は、データの不足と、既存のデータセットにおけるきめ細かいドメインセマンティクスの欠如によって妨げられている。 まず、実世界の2D画像と3Dポイントクラウドを組み合わせて、微粒なドメインセマンティクスを付加した高品質なデータセットを構築します。 次に, 3 つの製造課題,すなわち, 構造面検査, 組立検査, 組立検証の18の最先端MLLMを評価し, 大幅な性能差を明らかにした。
  論文  参考訳（メタデータ） (2026-04-08T12:23:27Z)
• PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
  本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。 U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。 我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-03-28T02:47:46Z)
• OSM-based Domain Adaptation for Remote Sensing VLMs [49.91326341200221]
  リモートセンシングに適応した視覚言語モデル(VLM)は、ドメイン固有の画像テキストの監視に大きく依存する。 我々は、この依存関係を排除した自己完結型ドメイン適応フレームワークOSMDAを提案する。 画像テキストからテキストまでのタスクで10のベンチマークを網羅的に評価する。
  論文  参考訳（メタデータ） (2026-03-12T11:08:30Z)
• Underrepresented in Foundation Model Pretraining Data? A One-Shot Probe [8.707753549613766]
  本稿では,クラスごとのラベル付き画像のみを用いて,目標領域におけるビジョン・ランゲージ・ファンデーション・モデルのゼロショット精度を予測する手法を提案する。 我々は,標準ベンチマークデータセットやアフリカからの不足したデータセットを含む5つの多様なデータセットに対して,本手法の性能を実証した。
  論文  参考訳（メタデータ） (2026-03-04T18:07:23Z)
• FeDecider: An LLM-Based Framework for Federated Cross-Domain Recommendation [75.50721642765994]
  大規模言語モデル(LLM)ベースのレコメンデーションモデルは、素晴らしいパフォーマンスを示している。 We propose a LLM-based framework for Federated cross- domain recommendation, FeDecider。 多様なデータセットにわたる大規模な実験により、提案したFeDeciderの有効性が検証された。
  論文  参考訳（メタデータ） (2026-02-17T21:42:28Z)
• Learn More, Forget Less: A Gradient-Aware Data Selection Approach for LLM [51.21051698747157]
  大規模言語モデル(LLM)の教師付き微調整のための自己適応型勾配対応データ選択手法(GrADS)を提案する。 具体的には、勾配の大きさと統計的分布を利用した自己指導型基準を設計し、モデルの学習プロセスに最も寄与する例を優先する。 GrADSは、医学、法学、金融など様々な分野にまたがる様々なLLMの広範な実験を通じて、大幅な効率性と費用対効果を示してきた。
  論文  参考訳（メタデータ） (2025-11-07T08:34:50Z)
• Multi-Level Heterogeneous Knowledge Transfer Network on Forward Scattering Center Model for Limited Samples SAR ATR [10.701687030427422]
  本研究は,前向き散乱中心モデル(FSCM)という,純粋および鍵標的知識を移行するための新しいシミュレーションデータについて検討する。 この目的を達成するために,FSCMの知識を特徴,分布,カテゴリレベルから完全に移行する多レベル異種知識伝達ネットワークを提案する。 特に,FSCMデータとSAR画像による2つの新しいデータセットに対する広範な実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2025-09-28T03:04:04Z)
• Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation [56.36237936346563]
  ファンデーションモデル(FM)は顕著な一般化を示すが、下流のタスクに適応する必要がある。 データプライバシー規制のため、クラウドベースのFMはプライベートエッジデータに直接アクセスできない。 エッジデバイスがラベルのない低解像度のデータのみを保持する実践的セミスーパービジョン・フェデレーションラーニング(PSSFL)を導入する。 我々の研究は、フェデレートされたシナリオにおけるスケーラブルでプライバシ保護のFM適応の道を開いた。
  論文  参考訳（メタデータ） (2025-08-22T17:47:02Z)
• 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)
• Large Wireless Localization Model (LWLM): A Foundation Model for Positioning in 6G Networks [26.30108656575931]
  本稿では,無線位置決めに適したファンデーションモデルに基づくソリューションを提案する。 まず、異なる自己教師付き学習(SSL)タスクが汎用的およびタスク固有の意味的特徴をどのように獲得するかを分析する。 提案するLarge Wireless Localization Model (LWLM) の事前学習手法を設計する。
  論文  参考訳（メタデータ） (2025-05-15T10:04:44Z)
• FineScope : Precision Pruning for Domain-Specialized Large Language Models Using SAE-Guided Self-Data Cultivation [3.5023779900630028]
  FineScopeは、より大きな事前訓練されたモデルからドメイン最適化言語モデルを導出するためのフレームワークである。 構造的プルーニングをドメイン固有の制約で適用し、結果のモデルが対象ドメインに不可欠な知識を保持することを保証します。 実験とアブレーション実験により、FinScopeは高い競争力を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-01T16:05:08Z)
• FMARS: Annotating Remote Sensing Images for Disaster Management using Foundation Models [0.8795040582681392]
  FMARS(Foundation Model s in Remote Sensing)は、VHR画像と基礎モデルを高速で堅牢なアノテーションに活用する方法論である。 災害管理に焦点をあて,19件の災害イベントの事前画像から得られたラベルを用いた大規模データセットを提供する。 実世界のシナリオへの転送可能性を高めるために、Unsupervised Adaptation (UDA) 技術を用いて、生成されたラベルのセグメンテーションモデルを訓練する。
  論文  参考訳（メタデータ） (2024-05-30T14:45:02Z)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning [70.38817963253034]
  本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。 我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。 本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
  論文  参考訳（メタデータ） (2023-09-01T09:40:36Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)

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。