論文の概要: OceanMAE: A Foundation Model for Ocean Remote Sensing

• arxiv url: http://arxiv.org/abs/2604.08171v1
• Date: Thu, 09 Apr 2026 12:29:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.913403
• Title: OceanMAE: A Foundation Model for Ocean Remote Sensing
• Title（参考訳）: OceanMAE:海洋リモートセンシングの基礎モデル
• Authors: Viola-Joanna Stamer, Panagiotis Agrafiotis, Behnood Rasti, Begüm Demir,
• Abstract要約: 海洋リモートセンシングは, 海底評価, 海底特性評価, 海洋ゴミ検出, 生態系モニタリングなどの応用に不可欠である。 本研究では,マルチスペクトル・センチネル-2観測を自己教師型学習中に,物理的に意味のあるオーシャンディスクリプタと統合することにより,標準的なMAE事前訓練を拡張する,海洋固有のマスク付きオートエンコーダであるOceanMAEを提案する。 実験の結果、OceanMAEは海洋のセグメンテーションにおいて最も高い利得を得られ、一方、浴量測定の利点は競争力とタスクに依存していることがわかった。
• 参考スコア（独自算出の注目度）: 7.641383692351135
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate ocean mapping is essential for applications such as bathymetry estimation, seabed characterization, marine litter detection, and ecosystem monitoring. However, ocean remote sensing (RS) remains constrained by limited labeled data and by the reduced transferability of models pre-trained mainly on land-dominated Earth observation imagery. In this paper, we propose OceanMAE, an ocean-specific masked autoencoder that extends standard MAE pre-training by integrating multispectral Sentinel-2 observations with physically meaningful ocean descriptors during self-supervised learning. By incorporating these auxiliary ocean features, OceanMAE is designed to learn more informative and ocean-aware latent representations from large- scale unlabeled data. To transfer these representations to downstream applications, we further employ a modified UNet-based framework for marine segmentation and bathymetry estimation. Pre-trained on the Hydro dataset, OceanMAE is evaluated on MADOS and MARIDA for marine pollutant and debris segmentation, and on MagicBathyNet for bathymetry regression. The experiments show that OceanMAE yields the strongest gains on marine segmentation, while bathymetry benefits are competitive and task-dependent. In addition, an ablation against a standard MAE on MARIDA indicates that incorporating auxiliary ocean descriptors during pre-training improves downstream segmentation quality. These findings highlight the value of physically informed and domain-aligned self-supervised pre- training for ocean RS. Code and weights are publicly available at https://git.tu-berlin.de/joanna.stamer/SSLORS2.
• Abstract（参考訳）: 正確な海洋マッピングは、水位測定、海底のキャラクタリゼーション、海洋ゴミの検出、生態系のモニタリングといった応用に不可欠である。 しかし、海洋リモートセンシング(RS)は、限られたラベル付きデータと、主に陸域が支配する地球観測画像に基づいて事前訓練されたモデルの転送可能性の低下によって制約されている。 本論文では,マルチスペクトルSentinel-2観測を,自己教師型学習中に物理的に意味のある海洋記述子と統合することにより,標準的なMAE事前訓練を拡張する,海洋固有のマスク付きオートエンコーダであるOceanMAEを提案する。 これらの補助的な海洋特徴を取り入れることで、OceanMAEは大規模未ラベルデータからより情報的かつ海洋に適応した潜水表現を学習するように設計されている。 これらの表現を下流のアプリケーションに転送するために、海洋セグメンテーションと水位測定のための改良されたUNetベースのフレームワークを用いる。 海洋汚染物質と破片のセグメンテーションのためのMADOSとMARIDA、および水浴比回帰のためのMagicBathyNetを用いて、OceanMAEを事前訓練した。 実験の結果,OceanMAEは海面セグメンテーションにおいて最も高い利得を得られることがわかった。 また,MariDAの標準MAEに対するアブレーションは,事前訓練中に補助的な海洋記述子を組み込むことで,下流のセグメンテーションの品質が向上することを示している。 これらの知見は,海洋RSのための身体情報とドメイン整列型自己教師型プレトレーニングの価値を浮き彫りにした。 コードとウェイトはhttps://git.tu-berlin.de/joanna.stamer/SSLORS2で公開されている。

関連論文リスト

• OceanSAR-2: A Universal Feature Extractor for SAR Ocean Observation [55.978228064498865]
  SARに基づく海洋観測のための第2世代の基盤モデルであるOceanSAR-2を紹介する。 先にリリースしたSentinel-1 Wave Modeデータによる自己教師型学習の先駆者であるOceanSAR-2は、SSLトレーニングの改善と動的データキュレーション戦略に依存しています。
  論文  参考訳（メタデータ） (2026-01-12T10:20:43Z)
• OceanGym: A Benchmark Environment for Underwater Embodied Agents [69.56465775825275]
  OceanGymは、海洋水中のエンボディエージェントに関する最初の総合的なベンチマークである。 それは、最も要求の多い現実世界環境の1つでAIを前進させるように設計されている。 高忠実で厳格に設計されたプラットフォームを提供することで、OceanGymは堅牢なエンボディAIを開発するためのテストベッドを確立する。
  論文  参考訳（メタデータ） (2025-09-30T17:09:32Z)
• A Sentinel-3 foundation model for ocean colour [8.571925606193703]
  我々は,Sentinel-3 Ocean and Land Colour Instrument (OLCI) のデータ再構成を事前訓練した Prithvi-EO Vision Transformer アーキテクチャを用いた新しい基礎モデルについて述べる。 2つの下流海洋地球観測課題の微調整によるモデルの評価を行った。 この新世代の地理空間AIモデルは、海洋生態系とその地球温暖化プロセスにおける役割について、より堅牢でデータ駆動的な洞察を提供する可能性を秘めている、と結論付けています。
  論文  参考訳（メタデータ） (2025-09-25T15:00:38Z)
• OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction [70.48962924608033]
  この研究は、SST予測のための多様な海洋知識を表現するために特別に設計された海洋知識グラフ(OKG)を構築するための最初の体系的な取り組みを示す。 最後に, 学習知識を微粒な数値SSTデータと整列させ, 事前学習したLLMを用いてSSTパターンをモデル化し, 正確な予測を行う。
  論文  参考訳（メタデータ） (2025-07-31T02:06:03Z)
• MarineDet: Towards Open-Marine Object Detection [13.58409623192008]
  オープンマリン物体検出(OMOD: Open-marine object detection)は、多種多様で目に見えない海洋物体を検知し、分類と局所化を同時に行うために必要である。 我々は、事前訓練を通じて共同視覚テキスト意味空間を定式化し、その後、海洋固有の訓練を行い、航空から海への知識伝達を実現する。 実験により、既存のジェネラリストや専門オブジェクト検出アルゴリズムよりも、MarineDetの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2023-10-03T10:13:42Z)
• OceanBench: The Sea Surface Height Edition [5.307677318971956]
  オーシャンサテライトデータは、その空間性や不規則なサンプリング、信号の複雑さ、ノイズによる情報抽出の課題を示す。 機械学習(ML)技術は、大規模で複雑な信号を扱う能力を実証している。 OceanBenchは、ドメインエキスパート標準に準拠した標準化された処理ステップを提供する統一フレームワークである。
  論文  参考訳（メタデータ） (2023-09-27T12:00:40Z)
• Large-scale Detection of Marine Debris in Coastal Areas with Sentinel-2 [3.6842260407632903]
  海洋汚染を定量化するための努力は、しばしば粗末で高価な海岸調査によって行われる。 沿岸地域の衛星データは容易に入手でき、プラスチックごみを含む海洋ゴミの集積を検出するために利用することができる。 本稿では, 深部セグメンテーションモデル上に構築された海洋破片検出装置について述べる。
  論文  参考訳（メタデータ） (2023-07-05T17:38:48Z)
• 1st Workshop on Maritime Computer Vision (MaCVi) 2023: Challenge Results [152.54137779547068]
  本報告では、個々のサブチャンジの主な発見を要約し、SeaDronesSee Object Detection v2と呼ばれる新しいベンチマークを導入する。 データセット、評価コード、リーダーボードはhttps://seadronessee.cs.uni-tuebingen.de/macvi.comで公開されている。
  論文  参考訳（メタデータ） (2022-11-24T09:59:13Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)

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。