論文の概要: Adapting Prithvi-EO for Fallow Detection for Food-Water Nexus: ViT-Adapter Necks and Parameter-Efficient Backbone tuning of Geospatial Foundation Model

• arxiv url: http://arxiv.org/abs/2606.12218v1
• Date: Wed, 10 Jun 2026 15:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.533872
• Title: Adapting Prithvi-EO for Fallow Detection for Food-Water Nexus: ViT-Adapter Necks and Parameter-Efficient Backbone tuning of Geospatial Foundation Model
• Title（参考訳）: 食品水性Nexusに対するPrithvi-EOの適用:ViT-Adapter NecksとGeospatial Foundation Modelのパラメータ有効バックボーンチューニング
• Authors: Sk Muhammad Asif, Orhun Aydin,
• Abstract要約: Prithvi-EOはコンピュータビジョンタスク間で強い転送性を示している。 オブジェクト検出ヘッドが必要とするマルチスケールの特徴に不適な単一空間スケールで特徴を生成する。 軽量空間融合法と選択的背骨凍結法により,Prithvi-EOはより効果的に局所的なファローパターンを捕捉できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding spatial distribution of fallow land is important for optimizing the food-water (FW) nexus, given fallowing's role in crop rotation and water conservation. Fallow is a low accuracy class in USDA Cropland Data Layer (CDL). Geospatial foundation model (GFM), Prithvi-EO has shown strong transferability across computer vision tasks. However, its Vision Transformer (ViT) backbone produces features at a single spatial scale that are ill-suited for the multi-scale features required by object detection heads. Existing approaches synthesise multi-scale pyramids through scaling of single stride tokens, sacrificing spatial heterogeneity, and full backbone fine-tuning is computationally prohibitive for GFMs. We evaluate a fallow detection pipeline combining two parameter-efficient fine tuning (PEFT) schemes: Low-Rank Adaptation (LoRA) and a hybrid PEFT, with three neck designs: pseudo multi-scale, Lite ViT-Adapter, and Full ViT-Adapter. Our best configuration, Lite ViT-Adapter with a one-stage head, achieves a mAP@50 of 0.9479 with the Diou loss, suggesting the effectiveness of center-aware localization for irregular fallow field detection. ViT-Adapter free one-stage detection under LoRA improves the adapter-free anchor-based approach by 6.42%, and the best configuration improves baseline adapter-free anchor-based approach by 25.70%. These results demonstrate that lightweight spatial prior fusion and selective backbone unfreezing enable Prithvi-EO to capture local fallow patterns more effectively, outperforming approaches that rely on reshaped single-stride ViT tokens.
• Abstract（参考訳）: 農地の空間分布の把握は, 作物の回転と水保全において, 飼料水 (FW) ネクサスを最適化する上で重要である。 FallowはUSDA Cropland Data Layer (CDL)の低精度クラスである。 地理空間基盤モデル(GFM)では、Prithvi-EOはコンピュータビジョンタスク間で強い伝達可能性を示している。 しかし、ViT(Vision Transformer)のバックボーンは、オブジェクト検出ヘッドが必要とするマルチスケール機能に不適な単一の空間スケールで機能を生成する。 既存のアプローチでは、単一ストライドトークンのスケーリング、空間的不均一性を犠牲にし、フルバックボーンの微調整が計算的に禁止されている。 低ランク適応 (LoRA) とハイブリッドPEFT (PEFT) の2つのパラメータ効率のよい微調整(PEFT) を組み合わせ, 疑似マルチスケール, Lite ViT-Adapter, Full ViT-Adapter の3つのネックデザインを用いて, ファロー検出パイプラインの評価を行った。 我々の最良構成である1段ヘッド付きLite ViT-Adapterは、ダイオー損失の0.9479のmAP@50を達成し、不規則なファロー場検出における中心認識ローカライゼーションの有効性を示唆した。 ViT-AdapterのLoRAによるワンステージ検出では、アダプタフリーなアンカーベースのアプローチが6.42%改善され、最高の構成ではベースラインのアダプタフリーなアンカーベースのアプローチが25.70%改善された。 これらの結果から,Prithvi-EO は局所的なファローパターンをより効果的に捕捉し,単一ストライド型 ViT トークンに頼ってより優れることが示された。

関連論文リスト

• TALON: Token-Aligned Lightweight Adapters for 6-DoF Spacecraft Pose Estimation [14.854437007037683]
  モノアテンション6-F宇宙船は、個々のフレームを処理し、操作中に取得した画像シーケンスに存在する時間情報を破棄する。 本稿では,凍結したViTビジョントランスの自己調整層に3Dアダプタを注入する TALON (Token-conditioned Adapter) を提案する。 Pre-Alignedは、凍結された注意を時間的に濃縮されたトークンの推論を可能にし、ポストアテンションの代替よりもブロック毎に1つのアダプタでパフォーマンスを向上する。 SPADESデータセットでは、TAは前回の最先端よりもポーズエラーを50%削減し、スイスのデータセットではADD-0.1dで21.8%上回る。
  論文  参考訳（メタデータ） (2026-05-29T12:21:52Z)
• StereoAdapter-2: Globally Structure-Consistent Underwater Stereo Depth Estimation [18.410248448681514]
  本稿では,従来のConvGRU更新器を新しいConvSS2D演算子に置き換えるStereoAdapter-2を提案する。 大規模合成水中ステレオデータセットUW-StereoDepth-80Kを構築した。 本フレームワークは,水中ベンチマークにおいて,最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2026-02-18T22:12:08Z)
• LC4-DViT: Land-cover Creation for Land-cover Classification with Deformable Vision Transformer [14.684808109822386]
  LC4-DViTは、生成データ生成と変形対応のVision Transformerを組み合わせたフレームワークである。 テキスト誘導拡散パイプラインは、GPT-4o生成シーン記述を用いて高忠実度トレーニング画像を合成する。 DViTは、DCNv4変形可能な畳み込みバックボーンとVision Transformerエンコーダを結合して、微細な幾何学とグローバルなコンテキストを共同でキャプチャする。
  論文  参考訳（メタデータ） (2025-11-27T23:56:35Z)
• MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection [54.545054873239295]
  ディープフェイクは、最近、国民の間で重大な信頼問題とセキュリティ上の懸念を提起した。 ViT法はトランスの表現性を生かし,優れた検出性能を実現する。 この研究は、汎用的でパラメータ効率のよいViTベースのアプローチであるFace Forgery Detection (MoE-FFD)のためのMixture-of-Expertsモジュールを導入する。
  論文  参考訳（メタデータ） (2024-04-12T13:02:08Z)
• D$^2$ST-Adapter: Disentangled-and-Deformable Spatio-Temporal Adapter for Few-shot Action Recognition [64.153799533257]
  D$2$ST-Adapterは、空間的特徴と時間的特徴の非絡み合いの符号化を可能にする内部のデュアルパスアーキテクチャで構成されている。 本手法は,時間的ダイナミクスが行動認識に不可欠である難易度シナリオに特に適している。
  論文  参考訳（メタデータ） (2023-12-03T15:40:10Z)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• Vision Transformer Adapter for Dense Predictions [57.590511173416445]
  Vision Transformer (ViT) は画像の事前情報がないため、高密度な予測タスクでは性能が劣る。 本稿では、ViTの欠陥を修復し、視覚特化モデルに匹敵する性能を実現するビジョントランスフォーマーアダプタ(ViT-Adapter)を提案する。 我々は、オブジェクト検出、インスタンスセグメンテーション、セマンティックセグメンテーションを含む複数の下流タスクにおけるViT-Adapterの有効性を検証する。
  論文  参考訳（メタデータ） (2022-05-17T17:59:11Z)

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。