論文の概要: Foundation Models in Remote Sensing: Evolving from Unimodality to Multimodality

• arxiv url: http://arxiv.org/abs/2603.00988v1
• Date: Sun, 01 Mar 2026 08:31:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.447912
• Title: Foundation Models in Remote Sensing: Evolving from Unimodality to Multimodality
• Title（参考訳）: リモートセンシングの基礎モデル:一様性から多様性へ
• Authors: Danfeng Hong, Chenyu Li, Xuyang Li, Gustau Camps-Valls, Jocelyn Chanussot,
• Abstract要約: ファンデーションモデルは、RS分野に革命をもたらす重要な新たな成長機会と大きな可能性を提示する。 本稿では,基礎モデルの重要性を強調し,その背景と動機について概説する。 我々は、研究者、特に初心者を対象に、RSにおける基礎モデルのトレーニング方法を指導し、それらを現実世界のタスクに適用するためのチュートリアルのようなセクションを提供する。
• 参考スコア（独自算出の注目度）: 46.78665991781941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing (RS) techniques are increasingly crucial for deepening our understanding of the planet. As the volume and diversity of RS data continue to grow exponentially, there is an urgent need for advanced data modeling and understanding capabilities to manage and interpret these vast datasets effectively. Foundation models present significant new growth opportunities and immense potential to revolutionize the RS field. In this paper, we conduct a comprehensive technical survey on foundation models in RS, offering a brand-new perspective by exploring their evolution from unimodality to multimodality. We hope this work serves as a valuable entry point for researchers interested in both foundation models and RS and helps them launch new projects or explore new research topics in this rapidly evolving area. This survey addresses the following three key questions: What are foundation models in RS? Why are foundation models needed in RS? How can we effectively guide junior researchers in gaining a comprehensive and practical understanding of foundation models in RS applications? More specifically, we begin by outlining the background and motivation, emphasizing the importance of foundation models in RS. We then review existing foundation models in RS, systematically categorizing them into unimodal and multimodal approaches. Additionally, we provide a tutorial-like section to guide researchers, especially beginners, on how to train foundation models in RS and apply them to real-world tasks. The survey aims to equip researchers in RS with a deeper and more efficient understanding of foundation models, enabling them to get started easily and effectively apply these models across various RS applications.
• Abstract（参考訳）: リモートセンシング(RS)技術は、惑星の理解を深めるためにますます重要になっている。 RSデータの量と多様性が指数関数的に増加するにつれて、これらの膨大なデータセットを効果的に管理、解釈するための高度なデータモデリングと理解能力が緊急に必要となる。 ファンデーションモデルは、RS分野に革命をもたらす重要な新たな成長機会と大きな可能性を提示する。 本稿では、一様性から多様性への進化を探求し、新しい視点を提供する。 この研究が、ファンデーションモデルとRSの両方に関心を持つ研究者にとって貴重なエントリーポイントとなり、新しいプロジェクトを立ち上げたり、この急速に発展する領域で新しい研究トピックを探求するのに役立つことを願っています。 この調査では、以下の3つの重要な疑問に対処する。 なぜ基礎モデルが必要なのか? RSアプリケーションにおける基礎モデルに関する包括的で実践的な理解を得るためには、どのようにしてジュニア研究者を効果的に導くことができるのか? 具体的には、まず背景とモチベーションを概説し、基礎モデルの重要性を強調します。 次に、RSの既存の基礎モデルについてレビューし、体系的にそれらを非モーダルおよびマルチモーダルのアプローチに分類する。 さらに,本論文では,研究者,特に初心者を対象に,RSの基盤モデルを学習し,現実のタスクに適用するためのチュートリアル的なセクションを提供している。 この調査は、基礎モデルのより深い、より効率的な理解をRSの研究者に提供することを目的としている。

関連論文リスト

• DR Tulu: Reinforcement Learning with Evolving Rubrics for Deep Research [152.2148664328137]
  ディープ・リサーチ・モデルは、多段階の研究を行い、長文でよく理解された回答を生成する。 ほとんどのオープンディープリサーチモデルは、検証可能な報酬を伴う強化学習を通じて、短い形式のQAタスクで訓練されている。 我々は、オープンエンドで長期のディープリサーチのために直接訓練された最初のオープンモデルであるDeep Research Tulu (DR Tulu-8B)を開発した。
  論文  参考訳（メタデータ） (2025-11-24T18:35:54Z)
• Diffusion Models for Reinforcement Learning: Foundations, Taxonomy, and Development [32.14985932997508]
  拡散モデル(DM)は強化学習(RL)の重要な利点を提供する このサーベイは拡散に基づくRLの包括的かつ最新の合成を提供する。
  論文  参考訳（メタデータ） (2025-10-14T08:03:46Z)
• 100 Days After DeepSeek-R1: A Survey on Replication Studies and More Directions for Reasoning Language Models [58.98176123850354]
  最近のDeepSeek-R1のリリースは、広く社会的影響をもたらし、言語モデルの明確な推論パラダイムを探求する研究コミュニティに熱意を喚起した。 リリースされたモデルの実装詳細は、DeepSeek-R1-Zero、DeepSeek-R1、蒸留された小型モデルなど、DeepSeekによって完全にオープンソース化されていない。 多くのレプリケーション研究は、DeepSeek-R1が達成した強力なパフォーマンスを再現することを目的として、同様のトレーニング手順と完全なオープンソースデータリソースを通じて、同等のパフォーマンスに到達している。
  論文  参考訳（メタデータ） (2025-05-01T14:28:35Z)
• A Survey of Foundation Model-Powered Recommender Systems: From Feature-Based, Generative to Agentic Paradigms [36.88050794621219]
  この調査は、FM4RecSys(Fundation Models for Recommender Systems)の概要を提供する。 まず、従来の明示的あるいは暗黙的なフィードバックからマルチモーダルコンテンツソースまで、RSのデータ基盤についてレビューする。 次に、FMとその表現学習能力、自然言語理解、マルチモーダル推論をRSコンテキストで導入する。
  論文  参考訳（メタデータ） (2025-04-23T05:02:51Z)
• A Survey of Model Architectures in Information Retrieval [59.61734783818073]
  2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 今後の課題と今後の方向性について、先見的な議論で締めくくります。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• Low-Rank Adaptation for Foundation Models: A Comprehensive Review [56.341827242332194]
  Low-Rank Adaptation (LoRA)は、これらの課題を緩和するための非常に有望なアプローチとして登場した。 この調査は、大規模な言語モデルから一般的な基礎モデルまで、LoRAテクニックの包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2024-12-31T09:38:55Z)
• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)

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。