Fugu-MT 論文翻訳(概要): Utilizing a Geospatial Foundation Model for Coastline Delineation in Small Sandy Islands

論文の概要: Utilizing a Geospatial Foundation Model for Coastline Delineation in Small Sandy Islands

arxiv url: http://arxiv.org/abs/2511.10177v1
Date: Fri, 14 Nov 2025 01:37:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-14 22:53:22.73104
Title: Utilizing a Geospatial Foundation Model for Coastline Delineation in Small Sandy Islands
Title（参考訳）: 小型サンディ諸島における海岸線デライン構築のための地理空間基盤モデルの利用
Authors: Tishya Chhabra, Manisha Bajpai, Walter Zesk, Skylar Tibbits,
Abstract要約: 我々は,NASAとIBMのPrithvi-EO-2.0モデルの初期評価を行った。我々は2つのモルディブ島の225のマルチスペクトル画像のデータセットをキュレートし、ラベル付けした。 5～181画像のトレーニングサブセットに対して,Prithviの3Mと6Mのパラメータバージョンを微調整した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an initial evaluation of NASA and IBM's Prithvi-EO-2.0 geospatial foundation model on shoreline delineation of small sandy islands using satellite images. We curated and labeled a dataset of 225 multispectral images of two Maldivian islands, which we publicly release, and fine-tuned both the 300M and 600M parameter versions of Prithvi on training subsets ranging from 5 to 181 images. Our experiments show that even with as few as 5 training images, the models achieve high performance (F1 of 0.94, IoU of 0.79). Our results demonstrate the strong transfer learning capability of Prithvi, underscoring the potential of such models to support coastal monitoring in data-poor regions.
Abstract（参考訳）: 衛星画像を用いて,NASAとIBMのPrithvi-EO-2.0地理空間基盤モデルの初期評価を行った。 2つのモルディブの島々の225枚のマルチスペクトル画像のデータセットをキュレートし、公開し、5～181枚の画像から3Mと6Mのパラメータバージョンを抽出した。実験の結果,訓練画像が5枚にも満たない場合でも,モデルの性能は高い(F1は0.94,IoUは0.79)。以上の結果からPrithviの強力な移動学習能力が示され,データ貧弱地域での沿岸モニタリングを支援するためのモデルの可能性が示唆された。

関連論文リスト

Deep learning-based object detection of offshore platforms on Sentinel-1 Imagery and the impact of synthetic training data [0.3823356975862005]
オフショアインフラストラクチャ検出のための堅牢なモデルの開発は、包括的なバランスの取れたデータセットに依存している。本研究では, 深層学習に基づく YOLOv10 オブジェクト検出モデルを, 合成画像と実際のSentinel-1 衛星画像の組み合わせで訓練することにより, モデル性能を向上させるための合成データの利用について検討する。北海で411台、メキシコ湾で1,519台、ペルシャ湾で1,593台を含む合計3,529台が検出された。
論文参考訳（メタデータ） (2025-11-06T12:13:53Z)
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)
Enhancing Robustness of Human Detection Algorithms in Maritime SAR through Augmented Aerial Images to Simulate Weather Conditions [1.660242118349614]
本稿では,海中SARにおける人間の検出精度を向上させることを目的として,様々な標高と地質的位置を含む頑健なデータセットを評価する。その結果, 強化データセットを用いたモデルでは, ヒトのリコールスコアが0.891から0.911の範囲で, YOLOv5lモデルでは3.4%向上した。
論文参考訳（メタデータ） (2024-08-25T08:23:06Z)
WV-Net: A foundation model for SAR WV-mode satellite imagery trained using contrastive self-supervised learning on 10 million images [23.653151006898327]
本研究では,1000万近いWVモード画像とコントラスト型自己教師型学習を用いて,WV-Netと呼ばれるセマンティック埋め込みモデルを訓練する。複数の下流タスクにおいて、WV-Netは、教師あり学習を伴う自然画像に事前訓練された同等のモデルより優れている。 WV-Net埋め込みは教師なしのイメージ検索タスクでは優れており、データスパース設定ではスケールが優れている。
論文参考訳（メタデータ） (2024-06-26T21:30:41Z)
BootsTAP: Bootstrapped Training for Tracking-Any-Point [62.585297341343505]
Tracking-Any-Point (TAP) は、ビデオ中の固体表面上の任意の点を追跡するアルゴリズムとして形式化することができる。大規模でラベルなし、未修正のリアルワールドデータが、最小限のアーキテクチャ変更でTAPモデルを改善することができることを示す。我々は,TAP-Vidベンチマークにおける最先端性能が,従来の結果よりも広いマージンで上回っていることを示す。
論文参考訳（メタデータ） (2024-02-01T18:38:55Z)
CroCo: Cross-Modal Contrastive learning for localization of Earth Observation data [62.96337162094726]
地上のLiDAR点雲をリモートセンシング画像上にローカライズすることに興味がある。本稿では,DEMと高分解能光学画像に基づいて学習を行うコントラスト学習手法を提案する。ベストシナリオは、トップ1スコア0.71、トップ5スコア0.81を得る。
論文参考訳（メタデータ） (2022-04-14T15:55:00Z)
Recognition of polar lows in Sentinel-1 SAR images with deep learning [5.571369922847262]
本研究では, 海洋性メソサイクロン, 陰性, 正常な海の状態を表すSentinel-1画像からなる新しいデータセットについて紹介する。データセットは、ラベル付きイメージを分類するためにディープラーニングモデルをトレーニングするために使用される。このモデルではF-1スコアが0.95であり、SAR画像から極低を一貫して検出できることを示している。
論文参考訳（メタデータ） (2022-03-30T15:32:39Z)
Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文参考訳（メタデータ） (2021-04-10T15:00:15Z)
Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
論文参考訳（メタデータ） (2020-02-10T15:25:19Z)

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。