論文の概要: NordFKB: a fine-grained benchmark dataset for geospatial AI in Norway

• arxiv url: http://arxiv.org/abs/2512.09913v1
• Date: Wed, 10 Dec 2025 18:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.644043
• Title: NordFKB: a fine-grained benchmark dataset for geospatial AI in Norway
• Title（参考訳）: NordFKB:ノルウェーの地理空間AIのための詳細なベンチマークデータセット
• Authors: Sander Riisøen Jyhne, Aditya Gupta, Ben Worsley, Marianne Andersen, Ivar Oveland, Alexander Salveson Nossum,
• Abstract要約: ノルウェーの地理空間AIのための詳細なベンチマークデータセットであるNorFKBを提示する。 データセットには36のセマンティッククラスのための詳細なアノテーションと組み合わせた高解像度の正光度が含まれている。 NordFKBは、マッピング、土地管理、空間計画におけるAIメソッドの進歩のための堅牢な基盤を提供する。
• 参考スコア（独自算出の注目度）: 36.2419347658476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present NordFKB, a fine-grained benchmark dataset for geospatial AI in Norway, derived from the authoritative, highly accurate, national Felles KartdataBase (FKB). The dataset contains high-resolution orthophotos paired with detailed annotations for 36 semantic classes, including both per-class binary segmentation masks in GeoTIFF format and COCO-style bounding box annotations. Data is collected from seven geographically diverse areas, ensuring variation in climate, topography, and urbanization. Only tiles containing at least one annotated object are included, and training/validation splits are created through random sampling across areas to ensure representative class and context distributions. Human expert review and quality control ensures high annotation accuracy. Alongside the dataset, we release a benchmarking repository with standardized evaluation protocols and tools for semantic segmentation and object detection, enabling reproducible and comparable research. NordFKB provides a robust foundation for advancing AI methods in mapping, land administration, and spatial planning, and paves the way for future expansions in coverage, temporal scope, and data modalities.
• Abstract（参考訳）: ノルウェーにおける地理空間AIの詳細なベンチマークデータセットであるNorFKBについて,Felles KartdataBase(FKB)の信頼性と高精度性から考察した。 データセットには、GeoTIFFフォーマットのクラスごとのバイナリセグメンテーションマスクとCOCOスタイルのバウンディングボックスアノテーションの両方を含む、36のセマンティッククラスの詳細なアノテーションと組み合わせた高解像度の正光度が含まれている。 データは地理的に多様な7つの地域から収集され、気候、地形、都市化の変動を確実にする。 少なくとも1つのアノテートされたオブジェクトを含むタイルのみが含まれており、トレーニング/バリデーションの分割は、代表クラスとコンテキストの分布を保証するために、領域をまたいだランダムサンプリングによって生成される。 人間の専門家によるレビューと品質管理は、高いアノテーションの精度を保証する。 データセットの他に、標準化された評価プロトコルとセマンティックセグメンテーションとオブジェクト検出のためのツールを備えたベンチマークレポジトリをリリースし、再現性と同等の研究を可能にする。 NordFKBは、マッピング、土地管理、空間計画におけるAIメソッドの進歩のための堅牢な基盤を提供し、カバレッジ、時間的スコープ、データモダリティの将来の拡張の道を開く。

関連論文リスト

• LC-SLab -- An Object-based Deep Learning Framework for Large-scale Land Cover Classification from Satellite Imagery and Sparse In-situ Labels [25.42215602005236]
  本研究では,大規模土地被覆分類のためのオブジェクトベース深層学習手法をスパース監督下で探索するLC-SLabを提案する。 LC-SLabは、グラフニューラルネットワークによる入力レベルアグリゲーションと、後処理の結果による出力レベルアグリゲーションの両方をサポートする。 その結果、オブジェクトベースの手法は、よりコヒーレントなマップを生成しながら、一般的なピクセル単位のモデルの精度を一致または超えることができることがわかった。
  論文  参考訳（メタデータ） (2025-09-19T11:08:24Z)
• HyBiomass: Global Hyperspectral Imagery Benchmark Dataset for Evaluating Geospatial Foundation Models in Forest Aboveground Biomass Estimation [1.0408909053766147]
  本研究では,森林表層バイオマス(AGB)推定のためのグローバル分散ベンチマークデータセットを提案する。 このベンチマークデータセットは、環境マッピング・分析プログラム(EnMAP)衛星からのHSIと、AGB密度推定の予測を組み合わせたものである。 このデータセットを用いた実験結果から,評価されたGeo-FMがベースラインU-Netの性能を上回り得るか,場合によっては超えることを示した。
  論文  参考訳（メタデータ） (2025-06-12T21:29:20Z)
• Performance and Generalizability Impacts of Incorporating Location Encoders into Deep Learning for Dynamic PM2.5 Estimation [0.39762912548964846]
  動的・空間的不均一な応用のための深層学習における位置情報の効果について検討する。 日表面PM2.5を衛星観測と地上観測により推定した。 以上の結果から,空間一般化の支援により,原座標は領域内の性能を向上させることができるが,領域間の一般化性は低下することが示された。
  論文  参考訳（メタデータ） (2025-05-24T02:00:34Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Nearest Neighborhood-Based Deep Clustering for Source Data-absent Unsupervised Domain Adaptation [33.394228127643494]
  教師なしドメイン適応(UDA)の古典的な設定では、ラベル付きソースデータがトレーニングフェーズで利用可能である。 多くの実世界のシナリオでは、ソースデータはアクセス不能であり、ソースドメインでトレーニングされたモデルのみが利用可能です。 本稿では,この課題に対する新しいディープクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-27T04:13:59Z)
• A hierarchical deep learning framework for the consistent classification of land use objects in geospatial databases [8.703408520845645]
  本稿では,土地利用情報を検証するための階層的ディープラーニングフレームワークを提案する。 複数レベルの土地利用を階層的に同時に予測することを目的とした新しいCNN方式を提案する。 実験によると、CNNはJOに依存しており、全体の精度は92.5%まで向上している。
  論文  参考訳（メタデータ） (2021-04-14T17:16:35Z)
• BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
  本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。 既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。 この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
  論文  参考訳（メタデータ） (2020-08-11T17:04:47Z)

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。