論文の概要: Mixture-of-Experts in Remote Sensing: A Survey
- arxiv url: http://arxiv.org/abs/2604.03342v1
- Date: Fri, 03 Apr 2026 09:43:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.528423
- Title: Mixture-of-Experts in Remote Sensing: A Survey
- Title（参考訳）: リモートセンシングにおけるMixture-of-Experts:サーベイ
- Abstract要約: このサーベイはリモートセンシングにおけるMoEアプリケーションの最初の概要を提供する。
基本原則、アーキテクチャ設計、様々なリモートセンシングタスクにおける主要なアプリケーションについてカバーしている。
また、リモートセンシングにMoEを適用するためのさらなる研究とイノベーションを刺激する将来のトレンドを概説している。
- 参考スコア（独自算出の注目度）: 3.2165374538840594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing data analysis and interpretation present unique challenges due to the diversity in sensor modalities and spatiotemporal dynamics of Earth observation data. Mixture-of-Experts (MoE) model has emerged as a powerful paradigm that addresses these challenges by dynamically routing inputs to specialized experts designed for different aspects of a task. However, despite rapid progress, the community still lacks a comprehensive review of MoE for remote sensing. This survey provides the first systematic overview of MoE applications in remote sensing, covering fundamental principles, architectural designs, and key applications across a variety of remote sensing tasks. The survey also outlines future trends to inspire further research and innovation in applying MoE to remote sensing.
- Abstract（参考訳）: リモートセンシングデータ解析と解釈は、地球観測データのセンサモードの多様性と時空間ダイナミクスによるユニークな課題を提示する。
Mixture-of-Experts(MoE)モデルは、タスクのさまざまな側面のために設計された専門の専門家に入力を動的にルーティングすることで、これらの課題に対処する強力なパラダイムとして登場した。
しかし、急速な進歩にもかかわらず、コミュニティはリモートセンシングのためのMoEの包括的なレビューをまだ欠いている。
この調査は、リモートセンシングにおけるMoEアプリケーションの最初の体系的な概要を提供し、様々なリモートセンシングタスクにおける基本的な原則、アーキテクチャ設計、および主要なアプリケーションについて紹介する。
この調査はまた、リモートセンシングにMoEを適用するためのさらなる研究とイノベーションを刺激する将来の傾向を概説している。
関連論文リスト
- Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。
VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。
静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
論文 参考訳（メタデータ） (2026-09-01T07:42:45Z) - More with Less: a Large Scale Remote Sensing VLM with a Simple Recipe [52.210953881548996]
遠隔センシングベンチマークに挑戦することで,視覚言語モデルが競争力や最先端のパフォーマンスを達成可能であることを示す。
我々のモデルは、テキストで直接答えるか、セグメント化とグラウンド化のためにローカライズツールを呼び出すことができる単一の言語ポリシーを使用する。
提案手法は,高分解能,マルチテンポラル,マルチモーダル,マルチビュータスクを含む,幅広いベンチマークの競合性を実現する。
論文 参考訳（メタデータ） (2026-07-17T13:25:44Z) - State Space Models Meet Remote Sensing: A Survey [36.48681071460519]
ステートスペースモデル(SSM)は、線形計算の複雑さと長距離依存を捉える強力な能力を提供する。
本稿では,SSMによるリモートセンシングのアプローチを概観し,SSMが最初に現場に導入されて以来,研究のほとんどを網羅する。
リモートセンシングタスクにおけるSSMアプリケーションの多次元解析を行い,アーキテクチャ設計の進歩について議論する。
論文 参考訳（メタデータ） (2026-06-24T02:50:31Z) - Think and Answer ME: Benchmarking and Exploring Multi-Entity Reasoning Grounding in Remote Sensing [34.51580097178317]
我々はマルチエンタリティ推論タスクとしてリモートセンシンググラウンドを再構成する。
本稿では,視覚言語基礎モデルに基づくEntity-Aware Reasoning (EAR)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-13T08:47:19Z) - The View From Space: Navigating Instrumentation Differences with EOFMs [0.0]
地球観測ファウンデーションモデル(EOFM)は、リモートセンシングやその他の地球観測データを大量に処理し、多くの重要な地球観測タスクに影響を及ぼすツールとして広く普及している。
出現するトレンドは、事前学習されたモデルの出力を「埋め込み」として利用し、類似性検索やコンテンツ固有のクエリといった一般的なタスクに使用する高次元データを要約する。
ほとんどのEOFMモデルは、データの単一のモダリティのみに基づいて訓練され、異なるモダリティにわたるマッチングバンドによって適用またはベンチマークされる。
多様なセンサーアーキテクチャが内部表現に与える影響は、既存の研究から明らかでない。
論文 参考訳（メタデータ） (2025-10-01T00:53:45Z) - Vision Mamba in Remote Sensing: A Comprehensive Survey of Techniques, Applications and Outlook [46.65330450810048]
状態空間モデル(SSM)は、線形計算スケーリングとグローバルコンテキストモデリングを組み合わせたパラダイムシフトソリューションとして登場した。
本調査では,約120個のマンバを用いたリモートセンシング研究を体系的に分析し,マンバをベースとしたリモートセンシング手法の総合的なレビューを行った。
i)ビジョン・マンバのアーキテクチャの基礎原理、(ii)適応スキャン戦略やハイブリッドSSMの定式化のようなマイクロアーキテクチャの進歩、(iii)CNN-Transformer-Mambaハイブリッドや周波数領域適応、(iv)状態に対する厳密なベンチマークなど、マクロアーキテクチャの統合。
論文 参考訳（メタデータ） (2025-05-01T16:07:51Z) - 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) - Object Detectors in the Open Environment: Challenges, Solutions, and Outlook [95.3317059617271]
オープン環境のダイナミックで複雑な性質は、オブジェクト検出器に新しくて恐ろしい挑戦をもたらす。
本稿では,オープン環境におけるオブジェクト検出器の総合的なレビューと解析を行う。
データ/ターゲットの変化の次元に基づいて、4つの四分法(ドメイン外、カテゴリ外、堅牢な学習、漸進的な学習)を含むフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-24T19:32:39Z) - Poly Kernel Inception Network for Remote Sensing Detection [64.60749113583601]
リモートセンシング画像における物体検出の課題に対処するために,Poly Kernel Inception Network (PKINet)を導入する。
PKINetはディレーションなしでマルチスケールの畳み込みカーネルを使用し、様々なスケールのオブジェクトの特徴を抽出し、ローカルコンテキストをキャプチャする。
これら2つのコンポーネントは、4つの挑戦的なリモートセンシング検出ベンチマーク上でPKINetのパフォーマンスを向上させるために共同で動作する。
論文 参考訳（メタデータ） (2024-03-10T16:56:44Z)
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。