論文の概要: First On-Orbit Demonstration of a Geospatial Foundation Model

• arxiv url: http://arxiv.org/abs/2512.01181v1
• Date: Mon, 01 Dec 2025 01:43:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.627456
• Title: First On-Orbit Demonstration of a Geospatial Foundation Model
• Title（参考訳）: 地理空間基礎モデルの軌道上での最初の実証
• Authors: Andrew Du, Roberto Del Prete, Alejandro Mousist, Nick Manser, Fabrice Marre, Andrew Barton, Carl Seubert, Gabriele Meoni, Tat-Jun Chin,
• Abstract要約: 地球空間基盤モデル(GeoFM)は、地球観測(EO)タスクの広範な一般化能力を約束する。 しかし、その大きなサイズは、リソースに制約のあるスペースハードウェアへのデプロイメントの障壁となる。 本稿では,視覚変換器(ViT)をベースとしたGeoFMの小型版について述べる。
• 参考スコア（独自算出の注目度）: 43.951325672023835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geospatial foundation models (GeoFMs) promise broad generalisation capacity for Earth observation (EO) tasks, particularly under data-limited conditions. However, their large size poses a barrier to deployment on resource-constrained space hardware. To address this, we present compact variants of a Vision Transformer (ViT)-based GeoFM that preserve downstream task performance while enabling onboard execution. Evaluation across five downstream tasks and validation in two representative flight environments show that model compression and domain adaptation are critical to reducing size and resource demands while maintaining high performance under operational conditions. We further demonstrate reliable on-orbit inference with the IMAGIN-e payload aboard the International Space Station. These results establish a pathway from large GeoFMs to flight-ready, resource-efficient deployments, expanding the feasibility of onboard AI for EO missions.
• Abstract（参考訳）: 地球空間基盤モデル(GeoFMs)は、特にデータ制限条件下での地球観測(EO)タスクの広範な一般化能力を約束する。 しかし、その大きなサイズは、リソースに制約のあるスペースハードウェアへのデプロイメントの障壁となる。 そこで本研究では,視覚変換器(ViT)をベースとしたGeoFMの小型版を提案する。 5つの下流タスクと2つの代表的な飛行環境における検証により、モデル圧縮とドメイン適応は、運用条件下での高性能を維持しながら、サイズとリソース要求の低減に重要であることが示された。 さらに、国際宇宙ステーションのIMAGIN-eペイロードによる軌道上の信頼性推定を実証する。 これらの結果は、大規模なGeoFMから、飛行可能な、リソース効率の高いデプロイメントへの経路を確立し、EOミッションのための搭載AIの実現可能性を広げる。

関連論文リスト

• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• Validating Terrain Models in Digital Twins for Trustworthy sUAS Operations [19.63204309987071]
  環境デジタルツインズ(EDT)は、安全な飛行計画と、監視活動中に適切な高度を維持するために重要である。 本稿では,実世界のsUASタスクにおいて,EDTの重要な構成要素の一つである地形モデルの検証に焦点をあてる。
  論文  参考訳（メタデータ） (2025-08-22T05:42:55Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• Sensing for Space Safety and Sustainability: A Deep Learning Approach with Vision Transformers [29.817805350971366]
  本稿では,衛星物体検出(SOD)タスクと搭載型ディープラーニング(DL)タスクについて論じる。 GELAN-ViTとGELAN-RepViTと呼ばれる2つの新しいDLモデルが提案されている。 これらのモデルは平均平均精度(mAP)と計算コストにおいて最先端のYOLOv9-tを上回っている。
  論文  参考訳（メタデータ） (2024-12-12T03:51:50Z)
• Federated Multi-Agent Mapping for Planetary Exploration [0.4143603294943439]
  本稿では,エージェント間のグローバルマップモデルを生データを送信することなく,協調的にトレーニングするフェデレーション型マルチエージェントマッピング手法を提案する。 提案手法は暗黙的ニューラルマッピングを利用してパシモニアスで適応可能な表現を生成し,生のマップと比較して最大93.8%のデータを伝送する。 我々は,火星の地形や氷河のデータセットに対するアプローチの有効性を実証し,F1スコアを0.95ポイントまで下方経路計画を達成するとともに,地図の復元損失に勝る結果を得た。
  論文  参考訳（メタデータ） (2024-04-02T20:32:32Z)
• Adaptive Path Planning for UAV-based Multi-Resolution Semantic Segmentation [26.729010176211016]
  本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。 私たちのアプローチの重要な特徴は、ディープラーニングベースのアーキテクチャのための新しい精度モデルです。 実地フィールドデータを用いた精密農業における作物・雑草分断の適用性について,本研究のアプローチを評価した。
  論文  参考訳（メタデータ） (2021-08-04T07:30:04Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。