論文の概要: Beyond Backscatter: AlphaEarth Land-Cover Priors for Rapid SAR Flood Segmentation Across Foundation Backbones

• arxiv url: http://arxiv.org/abs/2606.29134v1
• Date: Sun, 28 Jun 2026 00:46:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.799585
• Title: Beyond Backscatter: AlphaEarth Land-Cover Priors for Rapid SAR Flood Segmentation Across Foundation Backbones
• Title（参考訳）: バックスキャッターを超えて:AlphaEarthのアース・ロード・コーバーは、ファンデーションバックボーンを横断する急速SAR洪水セグメンテーションに先行する
• Abstract要約: 単一時間SARは、新しい浸水、永久水、その他の滑らかな表面が同様の後方散乱を引き起こすため、曖昧である。 本研究は,登録済みの季節整合事前取得が不可能な場合,安定した土地条件がSAR洪水後のセグメンテーションを改善することができるかどうかを評価する。
• 参考スコア（独自算出の注目度）: 1.9291566912492293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid flood mapping is critical for emergency response, yet optical imagery is often unusable during major flooding and single-temporal SAR is ambiguous, since new inundation, permanent water, and other smooth surfaces produce similar backscatter. This study evaluates whether stable land-context priors can improve post-event SAR flood segmentation when a registered, seasonally matched pre-event acquisition is unavailable. Using the CONUS (Continental United States) subset of ImpactMesh-Flood, we compare four backbones spanning distinct pretraining regimes-a from-scratch CNN UNet, an ImageNet-pretrained UNet, the SAR-pretrained TerraMind Vision Transformer, and the optical-satellite-pretrained DINOv3 Vision Transformer-in SAR-only, SAR+DEM, and SAR+AlphaEarth configurations under an identical fusion design, training protocol, and event-stratified split. Models are selected on a validation flood event and evaluated separately on two held-out events, Hurricane Florence and the Louisiana floods, with three-seed reporting for auxiliary configurations. Both auxiliary priors improve over the observed SAR-only baselines across all backbones and test events. AlphaEarth exceeds DEM on the harder Florence event for every backbone and achieves the best Florence IoU, while DEM is competitive on Louisiana and produces the best result there. The seed analysis reveals a trade-off: DEM is more stable across initializations, whereas AlphaEarth offers higher peak performance and higher recall on the harder event. Cross-event differences track flood-class prevalence and similarity to the training distribution, underscoring the need for per-event evaluation. We reframe single-temporal SAR flood segmentation as an alignment between radar observations and stable land-surface priors, where learned and physical context offer complementary pathways to more reliable rapid flood mapping.
• Abstract（参考訳）: 急激な洪水マッピングは緊急対応に欠かせないが、大規模な洪水では光学画像が利用できないことが多く、新しい浸水や永久水、その他の滑らかな表面が同様の後方散乱を引き起こすため、単一時間SARは曖昧である。 本研究は,登録済みの季節整合事前取得が不可能な場合,安定した土地条件がSAR洪水後のセグメンテーションを改善することができるかどうかを評価する。 また、ImpactMesh-FloodのCONUS(Continental United States)サブセットを用いて、CNN UNet、ImageNet-pretrained UNet、SAR-pretrained TerraMind Vision Transformer、光衛星-pretrained DINOv3 Vision Transformer-in SAR-only、SAR+DEM、SAR+AlphaEarthの4つのバックボーンを、同じ融合設計、トレーニングプロトコル、イベントストレートスプリットで比較した。 モデルはバリデーション・フラッド・イベントで選択され、ハリケーン・フローレンスとルイジアナ・フラッドの2つのイベントで個別に評価される。 両方の補助前兆は、すべてのバックボーンとテストイベントにわたる観測されたSARのみのベースラインよりも改善されている。 AlphaEarthは、すべてのバックボーンの厳しいフィレンツェのイベントでDEMを上回っ、最高のフィレンツェIoUを達成し、DEMはルイジアナ州で競い合っており、そこで最高の結果を生み出している。 シード分析はトレードオフを明らかにしている: DEMは初期化全体にわたって安定しているが、AlphaEarthはより高いピークパフォーマンスとより難しいイベントのリコールを提供する。 横断的な差異は、洪水級の出現率と訓練分布との類似性を追跡し、その評価の必要性を裏付けるものである。 我々は,レーダ観測と地表面の安定な先行観測との整合性として,単時間SARフラッドセグメンテーションを再構成し,より信頼性の高い急激な洪水マッピングへの相補的な経路を提供する。

関連論文リスト

• Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
  スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。 SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。 MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
  論文  参考訳（メタデータ） (2026-08-12T07:39:22Z)
• Explainable Flood Segmentation on Sentinel-1 SAR Imagery: A Comparative Study of CNN and Transformer Architectures [0.0]
  本研究では,畳み込みニューラルネットワーク(CNN)とマルチクラス洪水セグメンテーションのための視覚トランスフォーマーアーキテクチャを包括的に比較する。 3つの最先端(SOTA)CNNベースのモデル、U-Net、U-Net++、DeepLabV3、ResNet-34のバックボーン、および3つのSegFormer変種(b0,b1,b2)を評価した。 結果は、SegFormer-b2がETCIデータセットのU-Netベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-06-15T07:06:30Z)
• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• Cross-Polarization Fusion of VV AND VH SAR Observations for Improved Flood Mapping [0.3186130813218338]
  本稿では,VVとVH SARの相互分極融合による洪水マッピングの改善効果について検討する。 実験により、VV-VH融合は単偏極モデルより一貫して優れていることが示された。 この結果は,災害監視アプリケーションにおけるSARベースの洪水マッピングの信頼性を高めるために,クロスポーラライズSAR融合の重要性を強調した。
  論文  参考訳（メタデータ） (2026-05-04T02:35:48Z)
• FUMO: Prior-Modulated Diffusion for Single Image Reflection Removal [51.98991734660274]
  本稿では、空間制御性と構造忠実性を改善するために、明示的な誘導信号を導入した事前変調フレームワーク(FUMO)を用いた拡散モデルを提案する。 標準ベンチマークと野生での挑戦的な画像の両方で実施された実験は、競争力のある定量的結果を示し、知覚品質を継続的に改善した。
  論文  参考訳（メタデータ） (2026-03-19T15:33:11Z)
• Leveraging AI multimodal geospatial foundation models for improved near-real-time flood mapping at a global scale [0.44993939572253855]
  洪水は最も被害を被る気象災害の一つであり、2024年は過去最高に暑く、極端な洪水が5大陸の地域社会に影響を与えた。 最近のGeospatial Foundation Models (GFMs) は、大規模自己監督型事前訓練による一般化性の向上を提供する。 我々は、FloodsNetを用いた洪水範囲マッピングのためにESA-IBMのTerraMindを微調整する。
  論文  参考訳（メタデータ） (2025-11-27T19:04:01Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Improved Flood Insights: Diffusion-Based SAR to EO Image Translation [4.994315051443544]
  本稿では,新しいフレームワークである拡散型SAR to EO Image Translation (DSE)を紹介する。 DSEフレームワークは,SAR画像をEO画像に変換することにより,洪水の洞察の解釈可能性を高める。 Sen1Floods11とSEN12-FLOODデータセットの実験結果は、DSEフレームワークが拡張された視覚情報を提供するだけでなく、パフォーマンスも向上していることを確認した。
  論文  参考訳（メタデータ） (2023-07-14T02:19:23Z)
• Attentive Dual Stream Siamese U-net for Flood Detection on Multi-temporal Sentinel-1 Data [0.0]
  両時間SARによる洪水検知ネットワークを提案する。 提案するセグメンテーションネットワークは,2つのシームズエンコーダを用いたエンコーダ・デコーダアーキテクチャを備え,プレフロッド画像とポストフロッド画像の符号化を行う。 このネットワークは、既存の最先端(一時期)の洪水検出手法を6%のIOUで上回った。
  論文  参考訳（メタデータ） (2022-04-20T10:56:39Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。