論文の概要: Any Model, Any Place, Any Time: Get Remote Sensing Foundation Model Embeddings On Demand

• arxiv url: http://arxiv.org/abs/2602.23678v1
• Date: Fri, 27 Feb 2026 05:00:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.258643
• Title: Any Model, Any Place, Any Time: Get Remote Sensing Foundation Model Embeddings On Demand
• Title（参考訳）: どんなモデルでも、どんな場所でも、いつでも、リモートセンシングのファンデーションモデルがオンデマンドで組み込まれる
• Authors: Dingqi Ye, Daniel Kiv, Wei Hu, Jimeng Shi, Shaowen Wang,
• Abstract要約: 我々は、ROI(interst)中心の統一された領域を提供するPythonライブラリrs-embedを提案する。 単一のコード行で、ユーザーは任意の場所と時間範囲でサポートされているモデルから埋め込みを検索できる。 ライブラリはまた、大規模な埋め込み生成と評価を可能にする効率的なバッチ処理も提供する。
• 参考スコア（独自算出の注目度）: 9.641099010208578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The remote sensing community is witnessing a rapid growth of foundation models, which provide powerful embeddings for a wide range of downstream tasks. However, practical adoption and fair comparison remain challenging due to substantial heterogeneity in model release formats, platforms and interfaces, and input data specifications. These inconsistencies significantly increase the cost of obtaining, using, and benchmarking embeddings across models. To address this issue, we propose rs-embed, a Python library that offers a unified, region of interst (ROI) centric interface: with a single line of code, users can retrieve embeddings from any supported model for any location and any time range. The library also provides efficient batch processing to enable large-scale embedding generation and evaluation. The code is available at: https://github.com/cybergis/rs-embed
• Abstract（参考訳）: リモートセンシングコミュニティは、幅広い下流タスクに強力な埋め込みを提供する基礎モデルの急速な成長を目撃している。 しかし、モデルリリースフォーマット、プラットフォームとインターフェース、入力データ仕様にかなりの異質性があるため、実践的な採用と公正な比較は依然として困難である。 これらの矛盾は、モデルをまたいだ埋め込みの取得、使用、およびベンチマークのコストを大幅に増大させる。 この問題に対処するため、我々はrs-embedというPythonライブラリを提案しています。このライブラリは、単一のコード行で、任意の場所と時間範囲でサポートされているモデルから埋め込みを検索できます。 ライブラリはまた、大規模な埋め込み生成と評価を可能にする効率的なバッチ処理も提供する。 コードは、https://github.com/cybergis/rs-embedで入手できる。

関連論文リスト

• LOCUS: Low-Dimensional Model Embeddings for Efficient Model Exploration, Comparison, and Selection [15.182368486530128]
  LOCUSは,クエリ間の言語モデルの性能をコンパクトに表現する低次元ベクトル埋め込みを生成する手法である。 LOCUSは、クエリエンコーディングと評価スコアをエンコーダモデルを介して決定論的フォワードパスによって埋め込みを生成するアテンションベースのアプローチである。 我々は、モデル埋め込みとクエリエンコーディングを使用して、未知のクエリに対して最先端のルーティング精度を実現する正当性予測器を訓練する。
  論文  参考訳（メタデータ） (2026-01-28T22:09:42Z)
• pyFAST: A Modular PyTorch Framework for Time Series Modeling with Multi-source and Sparse Data [10.949140998070732]
  pyFASTは時系列分析のための研究指向のPyTorchフレームワークである。 データエンジンは複雑なシナリオのために設計されており、マルチソースローディング、タンパク質配列処理、効率的なシーケンスおよびパッチレベルのパディング、動的正規化、マスクベースのモデリングをサポートする。 GitHubでMITライセンスでリリースされているpyFASTは、時系列の研究とアプリケーションを進めるための、コンパクトだが強力なプラットフォームを提供する。
  論文  参考訳（メタデータ） (2025-08-26T10:05:47Z)
• SitEmb-v1.5: Improved Context-Aware Dense Retrieval for Semantic Association and Long Story Comprehension [77.93156509994994]
  本研究では,検索性能を向上させるために,より広いコンテキストウインドウに条件付きで短いチャンクを表現する方法を示す。 既存の埋め込みモデルは、そのような場所のコンテキストを効果的にエンコードするのに十分な装備がない。 我々の手法は、最先端の埋め込みモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-08-03T23:59:31Z)
• SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving [90.32201622392137]
  We present SwingArena, a competitive evaluation framework for Large Language Models (LLMs)。 従来の静的ベンチマークとは異なり、SwingArenaはLLMをイテレーションとして組み合わせて、テストケースを作成し、継続的インテグレーション(CI)パイプラインを通じてパッチを検証するパッチとレビュアーを生成することで、ソフトウェアのコラボレーションプロセスをモデル化する。
  論文  参考訳（メタデータ） (2025-05-29T18:28:02Z)
• Long Code Arena: a Set of Benchmarks for Long-Context Code Models [75.70507534322336]
  Long Code Arenaは、プロジェクト全体のコンテキストを必要とするコード処理タスクのための6つのベンチマークスイートである。 これらのタスクは、ライブラリベースのコード生成、CIビルドの修復、プロジェクトレベルのコード補完、コミットメッセージ生成、バグローカライゼーション、モジュールの要約といった、コード処理のさまざまな側面をカバーする。 各タスクに対して、テスト用の手作業によるデータセット、評価スイート、オープンソースのベースラインソリューションを提供しています。
  論文  参考訳（メタデータ） (2024-06-17T14:58:29Z)
• Show and Grasp: Few-shot Semantic Segmentation for Robot Grasping through Zero-shot Foundation Models [5.792788640304759]
  ロボットが物体をつかむ能力は、いくつかの応用に欠かせない。 このようなタスクでは、選択する適切なターゲットを選択することは、グリップの正しい構成を推測するのと同じくらい重要である。 この問題に対する一般的な解決策はセマンティックセグメンテーションモデルに依存しており、しばしば目に見えない対象への一般化が不十分である。
  論文  参考訳（メタデータ） (2024-04-19T08:58:52Z)
• pyvene: A Library for Understanding and Improving PyTorch Models via Interventions [79.72930339711478]
  $textbfpyvene$は、さまざまなPyTorchモジュールに対するカスタマイズ可能な介入をサポートするオープンソースライブラリである。 私たちは、$textbfpyvene$が、ニューラルモデルへの介入を実行し、他のモデルとインターバルされたモデルを共有するための統一されたフレームワークを提供する方法を示します。
  論文  参考訳（メタデータ） (2024-03-12T16:46:54Z)
• MatFormer: Nested Transformer for Elastic Inference [91.45687988953435]
  MatFormerは、多様なデプロイメント制約にまたがる弾性推論を提供するように設計された、新しいTransformerアーキテクチャである。 MatFormerは、標準的なTransformerモデルにネストフィードフォワードネットワーク(FFN)ブロック構造を組み込むことで、これを実現している。 8億5000万デコーダのみのMatFormer言語モデル(MatLM)により,5億2200万から8億5千万のパラメータにまたがる複数の小さなモデルを抽出できることを示す。
  論文  参考訳（メタデータ） (2023-10-11T17:57:14Z)
• SPRINT: A Unified Toolkit for Evaluating and Demystifying Zero-shot Neural Sparse Retrieval [92.27387459751309]
  ニューラルスパース検索を評価するための統一PythonツールキットであるSPRINTを提供する。 我々は、よく認識されているベンチマークBEIRにおいて、強く再現可能なゼロショットスパース検索ベースラインを確立する。 SPLADEv2は、元のクエリとドキュメントの外で、ほとんどのトークンでスパース表現を生成する。
  論文  参考訳（メタデータ） (2023-07-19T22:48:02Z)
• TorchRL: A data-driven decision-making library for PyTorch [20.776851077664915]
  PyTorchは、プレミア機械学習フレームワークとして昇格したが、決定および制御タスクのためのネイティブで包括的なライブラリが欠如している。 我々はPyTorchの汎用制御ライブラリであるTorchRLを提案する。 ビルディングブロックの詳細な説明と、ドメインやタスクにわたるライブラリの概要について説明する。
  論文  参考訳（メタデータ） (2023-06-01T11:45:45Z)
• Pythae: Unifying Generative Autoencoders in Python -- A Benchmarking Use Case [0.0]
  我々はPythaeについて紹介する。Pythaeは多種多様なオープンソースPythonライブラリで、生成オートエンコーダモデルの単純で再現性があり、信頼性の高い利用を提供する。 本稿では、下流タスクにおける主な改善点として、19の生成オートエンコーダモデルを紹介し、比較する。
  論文  参考訳（メタデータ） (2022-06-16T17:11:41Z)

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。