論文の概要: A Benchmark Study of Segmentation Models and Adaptation Strategies for Landslide Detection from Satellite Imagery

• arxiv url: http://arxiv.org/abs/2604.16663v1
• Date: Fri, 17 Apr 2026 19:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.122047
• Title: A Benchmark Study of Segmentation Models and Adaptation Strategies for Landslide Detection from Satellite Imagery
• Title（参考訳）: 衛星画像からの地すべり検出のためのセグメンテーションモデルと適応戦略のベンチマーク研究
• Authors: Md Kowsher, Weiwei Zhan, Chen Chen,
• Abstract要約: 衛星画像からの地すべり検出は災害対応とリスク評価にとって重要な課題である。 現代のセグメンテーションアーキテクチャの相対的効果とこの問題に対する微調整戦略は未だ十分に理解されていない。 本稿では,畳み込みニューラルネットワーク,トランスフォーマーベースセグメンテーションモデル,地すべり検出のための大規模事前学習基盤モデルについて,系統的なベンチマーク研究を行う。
• 参考スコア（独自算出の注目度）: 6.439624950887985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Landslide detection from high resolution satellite imagery is a critical task for disaster response and risk assessment, yet the relative effectiveness of modern segmentation architectures and finetuning strategies for this problem remains insufficiently understood. In this work, we present a systematic benchmarking study of convolutional neural networks, transformer based segmentation models, and large pre-trained foundation models for landslide detection. Using the Globally Distributed Coseismic Landslide Dataset (GDCLD) dataset, we evaluate representative CNN- and transformer-based segmentation models alongside large pretrained foundation models under consistent training and evaluation protocols. In addition, we compare full fine-tuning with parameter-efficient fine-tuning methods, including LoRA and AdaLoRA, to assess their performance efficiency tradeoffs. Experimental results show that transformer-based models achieve strong segmentation performance, while parameter efficient finetuning reduces trainable parameters by up to 95% with comparable accuracy to full finetuning. We further analyze generalization under distribution shift by comparing validation and held-out test performance.
• Abstract（参考訳）: 高解像度衛星画像からの地すべり検出は、災害対応とリスク評価にとって重要な課題であるが、現代のセグメンテーション・アーキテクチャの相対的有効性や、この問題に対する微調整戦略は未だ十分に理解されていない。 本研究では,畳み込みニューラルネットワーク,トランスフォーマーベースセグメンテーションモデル,地すべり検出のための大規模事前学習基盤モデルについて,系統的なベンチマーク研究を行う。 GDCLD(Globally Distributed Coseismic Landslide Dataset)データセットを用いて、一貫したトレーニングおよび評価プロトコルの下で、大規模な事前学習基盤モデルとともに、代表的CNNおよび変圧器ベースセグメンテーションモデルを評価する。 さらに,パラメータ効率のよい微調整手法であるLoRAとAdaLoRAを比較し,性能効率のトレードオフを評価する。 実験の結果,変圧器を用いたモデルでは高いセグメンテーション性能が得られ,パラメータ効率はトレーニング可能なパラメータを最大95%削減できることがわかった。 さらに、検証結果とホールドアウトテスト性能を比較して、分布シフト下での一般化を解析する。

関連論文リスト

• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• Advancing Text Classification with Large Language Models and Neural Attention Mechanisms [11.31737492247233]
  このフレームワークには、テキストエンコーディング、コンテキスト表現モデリング、注意に基づく拡張、分類予測が含まれる。 その結果,提案手法はすべての指標において既存モデル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） (2025-12-10T09:18:41Z)
• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Model-agnostic Mitigation Strategies of Data Imbalance for Regression [0.0]
  データ不均衡は、回帰タスクにおいて広範囲にわたる課題として持続し、モデルパフォーマンスのバイアスを導入し、予測信頼性を損なう。 既存のサンプリング手法を構築・改善する高度な緩和手法を提案する。 モデルのアンサンブル(不均衡緩和で訓練されたモデルと、非バランスで訓練されたモデル)の構築は、これらの負の効果を著しく減少させることを実証する。
  論文  参考訳（メタデータ） (2025-06-02T09:46:08Z)
• A Large-scale Benchmark on Geological Fault Delineation Models: Domain Shift, Training Dynamics, Generalizability, Evaluation and Inferential Behavior [11.859145373647474]
  本研究は,地震解析における領域シフト戦略のガイドラインを提供するために設計された,最初の大規模ベンチマーク研究である。 私たちのベンチマークでは、モデルアーキテクチャ、データセット、トレーニング戦略を3つのデータセットで200以上組み合わせています。 我々の分析は、ソースとターゲットのデータセットが結合していない場合、一般的な微調整のプラクティスが破滅的な忘れを招きかねないことを示している。
  論文  参考訳（メタデータ） (2025-05-13T13:56:43Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
  低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。 我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。 適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
  論文  参考訳（メタデータ） (2024-06-24T23:00:58Z)
• Gait Recognition from Highly Compressed Videos [3.1049440318608568]
  一般的な緩和戦略は、頑健性を改善するためにノイズデータ上の微調整ポーズ推定モデルを含む。 本稿では,監視映像の事前処理と改善を目的としたタスク対象のアーティファクト修正モデルを組み込んだ処理パイプラインを提案する。 本実験は歩行解析性能の向上を図り,提案手法の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2024-04-18T13:46:16Z)
• Predictive Analytics of Varieties of Potatoes [2.336821989135698]
  本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。 本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
  論文  参考訳（メタデータ） (2024-04-04T00:49:05Z)

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。