論文の概要: Changing Modalities: Adapting Remote Sensing Models to New Satellites and Sensors

• arxiv url: http://arxiv.org/abs/2606.23356v1
• Date: Mon, 22 Jun 2026 13:56:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:25:22.319863
• Title: Changing Modalities: Adapting Remote Sensing Models to New Satellites and Sensors
• Title（参考訳）: モダリティの変化:新しい衛星とセンサーにリモートセンシングモデルを適用する
• Authors: Tim G. Zhou, Anthony Fuller, Geoff Pleiss, Evan Shelhamer,
• Abstract要約: モーダリティ変更のための既存モデルの更新設定について検討し、モーダリティ移行(置換)、加算(スーパーセット)、ピークング(サブセット)の3つの主要なシナリオを特定する。 DeluluNetはエンドツーエンドで訓練され、モダリティの幻覚を通して、モダリティの教師からマルチモーダルモデルとラベルのないマルチモーダルデータを学習する。
• 参考スコア（独自算出の注目度）: 15.494343774243255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models for remote sensing are trained and deployed on a static set of modalities. However, as we equip newer satellites with novel sensors and retire old ones, practitioners may wish to deploy an existing model on a substitution, superset, or subset of modalities with minimal retraining given data availability or practical computational constraints. We study the setting of updating existing models to changing modalities and identify three main scenarios: Modality Transfer (substitution), Addition (superset), and Peeking (subset). We propose DeluluNet, an architecture with modular components for all three changing modality scenarios. DeluluNet is trained end-to-end, learning a multi-modal model from a unimodal teacher and unlabeled multimodal data via modality hallucination--predicting missing modality representations from those that are present. As a result, DeluluNet can keep predicting even when input modalities change, providing a practical alternative to re-labeling and re-training in a changing world.
• Abstract（参考訳）: リモートセンシングのための機械学習モデルは、静的なモダリティセットにトレーニングされ、デプロイされる。 しかし、我々は新しい衛星に新しいセンサーを装備し、古い衛星を引退させるにつれて、既存のモデルを与えられたデータ可用性や実用的な計算制約を最小限に抑えながら、置換、スーパーセット、サブセットに展開したいと考えるかもしれない。 モーダリティを変更するために既存のモデルを更新し、モーダリティ・トランスファー(代替)、追加(スーパーセット)、Peeking(サブセット)の3つの主要なシナリオを特定する。 モジュラリティのシナリオを3つすべて変更するためのモジュラーコンポーネントを備えたアーキテクチャであるDeluluNetを提案する。 DeluluNetはエンドツーエンドで訓練され、モダリティの幻覚を通して、モダリティの教師からマルチモーダルモデルとラベルのないマルチモーダルデータを学習する。 結果として、DeluluNetは入力モダリティが変化しても予測を継続することができ、変化する世界で再ラベルと再トレーニングの実践的な代替手段を提供する。

関連論文リスト

• An Attention-based Model for Robust Forecasting with Missing Modality [5.076667782726574]
  トレーニングと推論の両方において、欠落したモダリティを扱うために設計されたマルチモーダルモデルを導入する。 提案モデルでは,全てのモダリティの頑健な表現を近似しながら,モダリティの欠如を訓練可能であることを示す。
  論文  参考訳（メタデータ） (2026-06-11T23:24:38Z)
• Multi-Modal Manipulation via Multi-Modal Policy Consensus [62.49978559936122]
  本稿では,ロボット操作のための多様な感覚モダリティを統合するための新しいアプローチを提案する。 提案手法は,それぞれが単一の表現に特化している拡散モデルの集合にポリシーを分解する。 我々は、RLBenchにおけるシミュレーション操作タスクと、隠蔽対象のピック、手作業のスプーン再配向、パズル挿入といった実世界のタスクについて評価した。
  論文  参考訳（メタデータ） (2025-09-27T19:43:04Z)
• Sample-efficient Integration of New Modalities into Large Language Models [48.81776019848246]
  マルチモーダル基礎モデルはいくつかのモダリティを処理できる。 本稿では,大規模言語モデルへのサンプル効率改善手法を提案する。 SEMIは、新しいモダリティを数秒で統合することで、サンプル効率を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-04T18:41:59Z)
• SM3Det: A Unified Model for Multi-Modal Remote Sensing Object Detection [79.58755811919366]
  本稿では,リモートセンシングのためのマルチモーダルデータセットとマルチタスクオブジェクト検出(M2Det)という新しいタスクを提案する。 水平方向または指向方向の物体を、あらゆるセンサーから正確に検出するように設計されている。 この課題は、1)マルチモーダルモデリングの管理に関わるトレードオフ、2)マルチタスク最適化の複雑さに起因する。
  論文  参考訳（メタデータ） (2024-12-30T02:47:51Z)
• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• Dealing with All-stage Missing Modality: Towards A Universal Model with Robust Reconstruction and Personalization [14.606035444283984]
  現在のアプローチでは、推論中にモダリティ不完全入力を処理するモデルの開発に重点を置いている。 本稿では、モダリティ再構成とモデルパーソナライゼーションを備えた頑健な普遍モデルを提案する。 本手法は2つの脳腫瘍セグメンテーションベンチマークで広範囲に検証されている。
  論文  参考訳（メタデータ） (2024-06-04T06:07:24Z)
• Towards Good Practices for Missing Modality Robust Action Recognition [20.26021126604409]
  本稿では,マルチモーダル動作認識のための一連のベストプラクティスを提案する。 トレーニング中にモデルを効果的に正規化する方法を研究する。 第二に、欠落したモダリティに対するロバスト性のための融合法について検討する。 第3に、モダリティ予測符号の欠如を学習する単純なモジュラーネットワークであるActionMAEを提案する。
  論文  参考訳（メタデータ） (2022-11-25T06:10:57Z)

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。