論文の概要: Survey on Remote Sensing Scene Classification: From Traditional Methods to Large Generative AI Models

• arxiv url: http://arxiv.org/abs/2603.26751v1
• Date: Mon, 23 Mar 2026 11:35:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.571857
• Title: Survey on Remote Sensing Scene Classification: From Traditional Methods to Large Generative AI Models
• Title（参考訳）: リモートセンシングシーンの分類に関する調査:従来の手法から大規模生成AIモデルへ
• Authors: Qionghao Huang, Can Hu,
• Abstract要約: リモートセンシングシーンの分類は、従来の手作り特徴法から高度な人工知能システムへのパラダイム転換を経験してきた。 本総説では, 従来のテクスチャ記述子から現在の最先端基礎モデルまで, 開発過程を体系的に追跡し, 完全な方法論的進化を考察する。 合成データ生成と高度な特徴学習戦略を通じて永続的な課題に取り組む、生成AIイノベーションに特に重点を置いている。
• 参考スコア（独自算出の注目度）: 2.970707784493277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing scene classification has experienced a paradigmatic transformation from traditional handcrafted feature methods to sophisticated artificial intelligence systems that now form the backbone of modern Earth observation applications. This comprehensive survey examines the complete methodological evolution, systematically tracing development from classical texture descriptors and machine learning classifiers through the deep learning revolution to current state-of-the-art foundation models and generative AI approaches. We chronicle the pivotal shift from manual feature engineering to automated hierarchical representation learning via convolutional neural networks, followed by advanced architectures including Vision Transformers, graph neural networks, and hybrid frameworks. The survey provides in-depth coverage of breakthrough developments in self-supervised foundation models and vision-language systems, highlighting exceptional performance in zero-shot and few-shot learning scenarios. Special emphasis is placed on generative AI innovations that tackle persistent challenges through synthetic data generation and advanced feature learning strategies. We analyze contemporary obstacles including annotation costs, multimodal data fusion complexities, interpretability demands, and ethical considerations, alongside current trends in edge computing deployment, federated learning frameworks, and sustainable AI practices. Based on comprehensive analysis of recent advances and gaps, we identify key future research priorities: advancing hyperspectral and multi-temporal analysis capabilities, developing robust cross-domain generalization methods, and establishing standardized evaluation protocols to accelerate scientific progress in remote sensing scene classification systems.
• Abstract（参考訳）: リモートセンシングシーンの分類は、従来の手作りの特徴的手法から、現代の地球観測アプリケーションのバックボーンを形成する高度な人工知能システムへのパラダイム転換を経験した。 この包括的調査は、従来のテクスチャ記述子や機械学習分類子から、ディープラーニング革命から現在の最先端基盤モデルや生成AIアプローチまで、開発を体系的に追跡する、完全な方法論的進化を調査する。 手動のフィーチャーエンジニアリングから畳み込みニューラルネットワークによる自動階層的表現学習への転換と、ビジョントランスフォーマーやグラフニューラルネットワーク、ハイブリッドフレームワークといった高度なアーキテクチャの移行を詳述する。 この調査は、自己監督型基礎モデルとビジョン言語システムにおけるブレークスルーの詳細なカバレッジを提供し、ゼロショットと少数ショットの学習シナリオにおける例外的なパフォーマンスを強調している。 合成データ生成と高度な特徴学習戦略を通じて永続的な課題に取り組む、生成AIイノベーションに特に重点を置いている。 我々は、アノテーションコスト、マルチモーダルデータ融合の複雑さ、解釈可能性要求、倫理的考察を含む現代の障害を、エッジコンピューティングの展開、フェデレーションドラーニングフレームワーク、持続可能なAIプラクティスのトレンドとともに分析する。 近年の進歩とギャップの包括的分析に基づいて,高スペクトル・多時間分析能力の向上,堅牢なクロスドメイン一般化手法の確立,リモートセンシングシーン分類システムにおける科学的進歩を加速するための標準化された評価プロトコルの確立など,今後の研究の優先事項を明らかにした。

関連論文リスト

• A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
  ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。 この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。 世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
  論文  参考訳（メタデータ） (2025-10-31T04:02:58Z)
• Continual Learning for Generative AI: From LLMs to MLLMs and Beyond [56.29231194002407]
  本稿では,主流生成型AIモデルに対する連続学習手法の総合的な調査を行う。 これらのアプローチをアーキテクチャベース、正規化ベース、リプレイベースという3つのパラダイムに分類する。 我々は、トレーニング目標、ベンチマーク、コアバックボーンを含む、異なる生成モデルに対する連続的な学習設定を分析する。
  論文  参考訳（メタデータ） (2025-06-16T02:27:25Z)
• Multimodal Fusion and Vision-Language Models: A Survey for Robot Vision [49.073964142139495]
  マルチモーダル融合法と視覚言語モデルの適用と進歩を体系的に検討する。 セマンティックシーン理解タスクでは、エンコーダデコーダフレームワーク、アテンションベースアーキテクチャ、グラフニューラルネットワークに融合アプローチを分類する。 クロスモーダルアライメント、効率的な融合、リアルタイムデプロイメント、ドメイン適応など、現在の研究における重要な課題を特定します。
  論文  参考訳（メタデータ） (2025-04-03T10:53:07Z)
• 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)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• From Noise to Nuance: Advances in Deep Generative Image Models [8.802499769896192]
  ディープラーニングに基づく画像生成は、2021年以来パラダイムシフトを続けてきた。 安定拡散, DALL-E, 一貫性モデルの最近の進歩は, 画像合成の能力と性能の境界を再定義している。 マルチモーダル理解とゼロショット生成能力の強化が,産業全体にわたる実践的応用をいかに変えつつあるかを検討する。
  論文  参考訳（メタデータ） (2024-12-12T02:09:04Z)
• Self-organizing Democratized Learning: Towards Large-scale Distributed Learning Systems [71.14339738190202]
  民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。 本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。 提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-07-07T08:34:48Z)

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。