論文の概要: GeoSAM-Lite: A Lightweight Foundation Model for Onboard Remote Sensing Segmentation
- arxiv url: http://arxiv.org/abs/2607.03760v1
- Date: Sat, 04 Jul 2026 08:20:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.708747
- Title: GeoSAM-Lite: A Lightweight Foundation Model for Onboard Remote Sensing Segmentation
- Title（参考訳）: GeoSAM-Lite:オンボードリモートセンシングセグメンテーションのための軽量ファンデーションモデル
- Abstract要約: GeoSAM-Liteは、効率的なリモートセンシングセグメンテーションのために設計された軽量でプロンプトフリーなセグメンテーションフレームワークである。
Geo-Init(Geo-Init)は,(1)専門教師から地理空間前駆体を蒸留して領域ギャップを埋めるドメイン対応事前学習戦略であり,(2)空間的特徴を緩和し,高周波境界線を復元し,軽量バックボーンのキャパシティボトルネックを克服する特徴融合層(FFL)である。
- 参考スコア（独自算出の注目度）: 9.141880257477057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The deployment of large-scale foundation models like Segment Anything Model (SAM) on resource-constrained Earth observation platforms is hindered by prohibitive computational costs and the domain shift between natural and remote sensing imagery. To address these challenges, we propose \textit{Geo}spatial \textit{S}egment \textit{A}nything \textit{M}odel-Lite (GeoSAM-Lite), a lightweight, prompt-free segmentation framework designed for efficient onboard remote sensing segmentation. GeoSAM-Lite incorporates two core innovations: (1) Geospatial-Domain Initialization (Geo-Init), a domain-aware pre-training strategy that distills geospatial priors from a specialized teacher to bridge the domain gap; and (2) Feature Fusion Layers (FFL), which recalibrate spatial features and restore high-frequency boundary cues to overcome the capacity bottlenecks of lightweight backbones. Experiments across representative datasets, with a primary focus on cloud scenarios to evaluate performance under extreme scale variations and complex boundaries, demonstrate that GeoSAM-Lite achieves competitive accuracy while reducing parameters by 92.8\% compared to the heavyweight RSAM-Seg. By establishing a superior Pareto frontier between efficiency and fidelity, GeoSAM-Lite offers a practical solution for real-time segmentation on edge devices.
- Abstract（参考訳）: Segment Anything Model (SAM)のような大規模基盤モデルの資源制約された地球観測プラットフォームへの展開は、計算コストの禁止と自然とリモートのセンシング画像間の領域シフトによって妨げられている。
これらの課題に対処するために,我々は,効率的なリモートセンシングセグメンテーションのために設計された,軽量でプロンプトフリーなセグメンテーションフレームワークである \textit{Geo}spatial \textit{S}egment \textit{A}nything \textit{M}odel-Lite (GeoSAM-Lite) を提案する。
Geo-Init(Geo-Init)は,(1)専門教師から地理空間前駆体を蒸留して領域ギャップを埋めるドメイン対応事前学習戦略であり,(2)空間的特徴を緩和し,高周波境界線を復元し,軽量バックボーンのキャパシティボトルネックを克服する特徴融合層(FFL)である。
GeoSAM-Liteは、重いRSAM-Segと比較してパラメータを92.8倍に減らしながら、競争の正確性を達成することを実証している。
効率性と忠実性の間に優れたパレートフロンティアを確立することで、GeoSAM-Liteはエッジデバイス上のリアルタイムセグメンテーションのための実用的なソリューションを提供する。
関連論文リスト
- TerraDiT-$Ω$: Unified Spatial Control for Satellite Image Synthesis with Any Geospatial Primitive [19.699267665705715]
TerraDiT-$は、任意のネイティブプリミティブから直接衛星画像を生成する統合空間制御フレームワークである。
生成モデルは驚くべき進歩を遂げているが、衛星画像に適用することは依然として困難である。
論文 参考訳（メタデータ） (2026-06-30T01:56:41Z) - GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。
GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。
GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
論文 参考訳（メタデータ） (2026-05-19T12:08:09Z) - Space Network of Experts: Architecture and Expert Placement [53.89437186709926]
宇宙データセンターは、エネルギー集約型大規模言語モデル(LLM)を実行するための有望なプラットフォームとして構想されている
しかし、重要な課題の1つは、衛星ネットワークにおける大規模LSMの効率的な分散配置である。
本稿では,広く普及しているMix-of-Experts(MoE)モデルの分散実行を目的としたSpace Network of Experts(Space-XNet)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-01T08:40:31Z) - SegEarth-R2: Towards Comprehensive Language-guided Segmentation for Remote Sensing Images [49.52402091341301]
現在のモデルは単純な単一ターゲットのコマンドを解析できるが、複雑な地理空間シナリオで表されると失敗する。
総合的なトレーニングと評価のために構築された最初の大規模データセットであるLaSeRSを紹介する。
また,SegEarth-R2 は RS における包括的言語誘導セグメンテーションのために設計されたMLLM アーキテクチャである。
論文 参考訳（メタデータ） (2025-12-23T03:10:17Z) - SegEarth-OV3: Exploring SAM 3 for Open-Vocabulary Semantic Segmentation in Remote Sensing Images [51.42466259821335]
我々は, SAM 3 をリモートセンシング OVSS タスクに適用するための予備的な検討を行った。
まず,SAM 3のセマンティックセグメンテーションヘッドとトランスフォーマーデコーダの出力を組み合わせたマスク融合戦略を実装した。
第2に、シーンに存在しないカテゴリをフィルタリングするために、プレゼンスヘッドからのプレゼンススコアを利用する。
論文 参考訳（メタデータ） (2025-12-09T15:42:28Z) - AURASeg: Attention Guided Upsampling with Residual Boundary-Assistive Refinement for Drivable-Area Segmentation [0.5729426778193399]
セマンティックセグメンテーションのための残留境界支援リファインメント(AURASeg)を用いたアテンションガイドアップサンプリングを提案する。
提案手法は,<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>と<i>mIoU</i>の2。
論文 参考訳（メタデータ） (2025-10-24T15:01:18Z) - TASAM: Terrain-and-Aware Segment Anything Model for Temporal-Scale Remote Sensing Segmentation [20.89385225170904]
Segment Anything Model (SAM)は、自然画像領域にまたがる印象的なゼロショットセグメンテーション機能を実証した。
本稿では,高解像度リモートセンシング画像セグメンテーションに特化して設計された SAM の地形・時間的拡張である TASAM を紹介する。
論文 参考訳（メタデータ） (2025-09-19T09:24:24Z) - Exploring Efficient Open-Vocabulary Segmentation in the Remote Sensing [55.291219073365546]
Open-Vocabulary Remote Sensing Image (OVRSIS)は、OVS(Open-Vocabulary)をリモートセンシング(RS)ドメインに適応させる新しいタスクである。
textbfRSKT-Segは、リモートセンシングに適した新しいオープン語彙セグメンテーションフレームワークである。
RSKT-Segは高いOVSベースラインを+3.8 mIoUと+5.9 mACCで上回り、効率的なアグリゲーションによって2倍高速な推論を実現している。
論文 参考訳（メタデータ） (2025-09-15T15:24:49Z) - Exploring Non-Local Spatial-Angular Correlations with a Hybrid Mamba-Transformer Framework for Light Field Super-Resolution [68.54692184478462]
マンバ法は光画像超解像の計算コストと性能を最適化する大きな可能性を示している。
本稿では,より効率的かつ正確な特徴抽出を実現するために,Subspace Simple Mamba Block (SSMB) を設計したSubspace Simple Scanning (Sub-SS) 戦略を提案する。
また,空間角・異質情報の保存における状態空間の制限に対処する二段階モデリング手法を提案する。
論文 参考訳（メタデータ） (2025-09-05T05:50:38Z) - Towards Scalable Foundation Model for Multi-modal and Hyperspectral Geospatial Data [14.104497777255137]
本稿では,3つのイノベーションを取り入れた高効率空間スペクトル変換器について紹介する。
位置マスキングとチャネルマスキングを統合したHyperspectral Masked Autoencoderフレームワークを用いたLESS ViTの事前訓練を行った。
実験により, 提案手法は, 最先端のマルチモーダル地空間基盤モデルと競合する性能を示す。
論文 参考訳（メタデータ） (2025-03-17T05:42:19Z) - SegDesicNet: Lightweight Semantic Segmentation in Remote Sensing with Geo-Coordinate Embeddings for Domain Adaptation [0.5461938536945723]
リモートセマンティックセマンティックセグメンテーションのための新しい教師なしドメイン適応手法を提案する。
提案するSegDesicNetモジュールは、単位球上に投影された座標のGRID位置符号化を遅らせ、ドメイン損失を得る。
我々のアルゴリズムは,人工ニューラルネットワークと物理世界の人間の理解とのモデリング格差を減らそうとしている。
論文 参考訳（メタデータ） (2025-03-11T11:01:18Z)
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。