論文の概要: MOMO: Mars Orbital Model Foundation Model for Mars Orbital Applications
- arxiv url: http://arxiv.org/abs/2604.02719v1
- Date: Fri, 03 Apr 2026 04:22:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.321788
- Title: MOMO: Mars Orbital Model Foundation Model for Mars Orbital Applications
- Title（参考訳）: MOMO:Mars Orbital Model Foundation Model for Mars Orbital Applications
- Authors: Mirali Purohit, Bimal Gajera, Irish Mehta, Bhanu Tokas, Jacob Adler, Steven Lu, Scott Dickenshied, Serina Diniega, Brian Bue, Umaa Rebbapragada, Hannah Kerner,
- Abstract要約: 我々は,火星リモートセンシングのための最初のマルチセンサ基礎モデルMOMOを紹介する。
MOMOはモデルマージを使用して、3つの重要な火星センサーから独立して学習した表現を統合する。
われわれはMOMOを、火星の軌道データから収集した12億ドルのサンプルで、大規模で高品質なコーパスで訓練する。
- 参考スコア（独自算出の注目度）: 7.717986603455166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce MOMO, the first multi-sensor foundation model for Mars remote sensing. MOMO uses model merge to integrate representations learned independently from three key Martian sensors (HiRISE, CTX, and THEMIS), spanning resolutions from 0.25 m/pixel to 100 m/pixel. Central to our method is our novel Equal Validation Loss (EVL) strategy, which aligns checkpoints across sensors based on validation loss similarity before fusion via task arithmetic. This ensures models are merged at compatible convergence stages, leading to improved stability and generalization. We train MOMO on a large-scale, high-quality corpus of $\sim 12$ million samples curated from Mars orbital data and evaluate it on 9 downstream tasks from Mars-Bench. MOMO achieves better overall performance compared to ImageNet pre-trained, earth observation foundation model, sensor-specific pre-training, and fully-supervised baselines. Particularly on segmentation tasks, MOMO shows consistent and significant performance improvement. Our results demonstrate that model merging through an optimal checkpoint selection strategy provides an effective approach for building foundation models for multi-resolution data. The model weights, pretraining code, pretraining data, and evaluation code are available at: https://github.com/kerner-lab/MOMO.
- Abstract（参考訳）: 我々は,火星リモートセンシングのための最初のマルチセンサ基礎モデルMOMOを紹介する。
MOMOはモデルマージを使用して、3つの主要な火星センサー(HiRISE、CTX、TheMIS)から独立に学習した表現を統合する。
我々の手法の中心は、タスク演算による融合前の検証損失類似性に基づいて、センサ間でチェックポイントを整列する新しいEVL(Equal Validation Loss)戦略である。
これにより、モデルが互換性のある収束段階にマージされることが保証され、安定性と一般化が向上する。
私たちは、火星の軌道データから収集した12億ドルのサンプルの大規模な高品質コーパスでMOMOを訓練し、Mars-Benchから9つの下流タスクで評価します。
MOMOは、ImageNet事前訓練、地球観測基礎モデル、センサー固有の事前訓練、および完全に教師付きベースラインと比較して、全体的なパフォーマンスが向上する。
特にセグメンテーションタスクでは、MOMOは一貫性と大幅なパフォーマンス向上を示している。
この結果から,最適チェックポイント選択戦略によるモデルマージが,マルチレゾリューションデータの基盤モデル構築に有効な手法であることが示唆された。
モデルの重み付け、事前トレーニングコード、事前トレーニングデータ、評価コードは、https://github.com/kerner-lab/MOMOで利用可能である。
関連論文リスト
- TokaMind: A Multi-Modal Transformer Foundation Model for Tokamak Plasma Dynamics [56.073642366268764]
TokaMindは、核融合プラズマモデリングのためのオープンソースの基礎モデルフレームワークである。
公開されているMASTデータセットから、異種トカマク診断をトレーニングする。
我々は最近発表されたMASTベンチマークのTokaMarkでTokaMindを評価した。
論文 参考訳（メタデータ） (2026-02-16T12:26:07Z) - THOR: A Versatile Foundation Model for Earth Observation Climate and Society Applications [9.852915112122567]
THOR は入力の不均一性とデプロイメントの剛性の両方を解決する "Computeadaptive" 基盤モデルである。
我々は、新しいランダム化パッチと入力画像サイズ戦略を用いて、THORを事前訓練する。
これにより、どんなパッチサイズでも推論してトレーニング済みの重みのセットをデプロイすることが可能になり、再トレーニングせずに計算コストと特徴解決の間の動的なトレードオフが可能になる。
論文 参考訳（メタデータ） (2026-01-22T14:38:00Z) - RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。
HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。
我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
論文 参考訳（メタデータ） (2025-07-12T01:58:04Z) - SMPLest-X: Ultimate Scaling for Expressive Human Pose and Shape Estimation [81.36747103102459]
表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。
現在の最先端の手法は、限定されたデータセット上で革新的なアーキテクチャ設計を訓練することに焦点を当てている。
本稿では,EHPSのスケールアップが一般基盤モデルのファミリに与える影響について検討する。
論文 参考訳（メタデータ） (2025-01-16T18:59:46Z) - SimCMF: A Simple Cross-modal Fine-tuning Strategy from Vision Foundation Models to Any Imaging Modality [116.54152244934775]
大量のデータを訓練するChatGPTやSoraのような基礎的なモデルは、革命的な社会的影響をもたらしている。
様々な分野のセンサーが、同じ規模の自然画像を集め、強力な基礎モデルを訓練することは極めて困難である。
本研究は、自然なRGB画像に基づいて訓練された視覚基盤モデルから、異なる物理特性の他の画像モダリティへのクロスモーダル微調整という重要な問題を研究するための、シンプルで効果的なフレームワークであるSimCMFを提案する。
論文 参考訳（メタデータ） (2024-11-27T16:35:58Z) - Deep Unlearn: Benchmarking Machine Unlearning for Image Classification [7.450700594277741]
機械学習(MU)は、訓練された機械学習モデルの学習可能なパラメータから、特定のデータポイントの影響を取り除くことを目的としている。
本稿では,様々なベンチマークデータセットおよびモデルを対象とした18種類の最先端MU手法について検討する。
論文 参考訳（メタデータ） (2024-10-02T06:41:58Z) - An Empirical Study of Multimodal Model Merging [148.48412442848795]
モデルマージは、異なるタスクでトレーニングされた複数のモデルを融合してマルチタスクソリューションを生成するテクニックである。
我々は、モダリティ固有のアーキテクチャのビジョン、言語、およびクロスモーダルトランスフォーマーをマージできる新しい目標に向けて研究を行っている。
本稿では,重み間の距離を推定し,マージ結果の指標となる2つの指標を提案する。
論文 参考訳（メタデータ） (2023-04-28T15:43:21Z) - S$^{5}$Mars: Semi-Supervised Learning for Mars Semantic Segmentation [18.92602724896845]
火星のセマンティックセグメンテーションは、ローバーの自律計画と安全な運転の基盤である重要な火星ビジョンタスクである。
優れたモデルを得るためには、ほとんどのディープラーニングメソッドが正確に要求する、十分な詳細かつ高信頼のデータアノテーションが欠如している。
本稿では,共同データと手法設計の観点からその解決策を提案する。
実験結果から,本手法は最先端のSSL手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-07-04T05:03:10Z)
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。