論文の概要: CarbonCLIP: Enhance Carbon Prediction from Satellite Imagery via Integrated Street-View Semantics and Temporal Context Training
- arxiv url: http://arxiv.org/abs/2607.07292v1
- Date: Wed, 08 Jul 2026 11:33:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.362029
- Title: CarbonCLIP: Enhance Carbon Prediction from Satellite Imagery via Integrated Street-View Semantics and Temporal Context Training
- Title（参考訳）: CarbonCLIP: 統合ストリートビューセマンティックスと時間文脈トレーニングによる衛星画像からの炭素予測
- Abstract要約: CarbonCLIPは、衛星ベースの二酸化炭素排出量予測を改善するタスク指向マルチモーダル蒸留フレームワークである。
静的な視覚的特徴に依存する従来の方法とは異なり、CarbonCLIPは、トップダウン衛星ビューと地上レベルの人間活動のギャップを明示的に埋める。
CarbonCLIPは事前訓練期間中にのみマルチモーダルデータを必要とするが、推測中は衛星画像のみに依存する。
- 参考スコア（独自算出の注目度）: 41.99844472131922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately estimating urban carbon emissions is critical for sustainable urban planning, yet many existing approaches remain difficult to apply consistently across cities due to data-source heterogeneity and the lack of fine-grained semantic-temporal context in remote sensing data. We propose CarbonCLIP, a task-oriented multimodal distillation framework that improves satellite-based carbon emission prediction by transferring contextual knowledge into a unified satellite representation through dual-branch contrastive learning. Unlike conventional methods that rely on static visual features, CarbonCLIP explicitly bridges the gap between top-down satellite views and ground-level human activities. Specifically, the spatial branch uses fine-grained textual descriptions automatically generated from street-view images by Large Multimodal Models (LMMs) to provide semantic priors reflecting building functions, infrastructure, and urban activities, while the temporal branch employs a month encoder to encode temporal priors associated with monthly emission variation. CarbonCLIP requires multimodal data only during the pretraining phase; during inference, it relies solely on satellite imagery, thereby supporting scalable deployment when ground-level data are unavailable at inference. Experiments on Beijing and Singapore demonstrate that CarbonCLIP outperforms baselines in both study cities. The results validate that our method effectively transfers multimodal knowledge into satellite representations, offering a robust solution for satellite-based urban carbon modeling.
- Abstract（参考訳）: 都市の炭素排出量の正確な推定は持続可能な都市計画に不可欠であるが、データソースの不均一性やリモートセンシングデータにおける微粒な意味・時間的文脈の欠如により、多くの既存手法は都市全体で一貫して適用することが困難である。
マルチモーダル蒸留フレームワークであるCarbonCLIPを提案する。マルチブランチコントラスト学習により、コンテキスト知識を統合衛星表現に変換することで、衛星ベースの二酸化炭素排出予測を改善する。
静的な視覚的特徴に依存する従来の方法とは異なり、CarbonCLIPは、トップダウン衛星ビューと地上レベルの人間活動のギャップを明示的に埋める。
具体的には、大規模マルチモーダルモデル(LMM)によるストリートビュー画像から自動生成される微粒なテキスト記述を用いて、建築機能、インフラ、都市活動を反映したセマンティックな事前情報を提供する一方、仮分枝は1ヶ月エンコーダを使用して、月次排出変動に関連する時間的事前情報を符号化する。
CarbonCLIPは、事前訓練期間中にのみマルチモーダルデータを必要とし、推論中は衛星画像のみに依存し、推論時に地上レベルのデータが利用できない場合にスケーラブルなデプロイメントをサポートする。
北京とシンガポールでの実験では、CarbonCLIPは両方の研究都市でベースラインを上回っている。
提案手法は,衛星を用いた都市炭素モデリングのためのロバストなソリューションとして,マルチモーダルな知識を衛星表現に効果的に伝達することを検証する。
関連論文リスト
- CarbonBench: A Global Benchmark for Upscaling of Carbon Fluxes Using Zero-Shot Learning [9.490900991393636]
カーボンベンチ(CarbonBench)は、炭素フラックスアップスケーリングにおけるゼロショット空間移動のベンチマークである。
世界中のフラックスタワー567箇所から毎日130万回以上観測されている。
機械学習手法と地球システム科学をブリッジすることで、CarbonBenchはトランスファーラーニング手法の比較を可能にすることを目指している。
論文 参考訳（メタデータ） (2026-03-10T16:33:28Z) - WalkCLIP: Multimodal Learning for Urban Walkability Prediction [4.403122905236942]
都市歩行は公衆衛生、持続可能性、生活の質の基盤となっている。
近年の研究では、衛星画像、ストリートビュー画像、人口指標を用いて歩行可能性を推定している。
都市の歩行可能性を予測するためにこれらの相補的な視点を統合するフレームワークであるWalkCLIPを紹介する。
論文 参考訳（メタデータ） (2025-11-26T22:15:33Z) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - Multimodal Contrastive Learning of Urban Space Representations from POI Data [2.695321027513952]
CaLLiPer (Contrastive Language-Location Pre-training) は連続的な都市空間をベクトル表現に埋め込む表現学習モデルである。
ロンドンにおける都市空間表現の学習に適用し,CaLLiPerの有効性を検証する。
論文 参考訳（メタデータ） (2024-11-09T16:24:07Z) - UB-FineNet: Urban Building Fine-grained Classification Network for
Open-access Satellite Images [7.435848987082052]
オープンアクセス衛星画像を用いた都市建物のきめ細かい分類のためのディープ・ネットワーク・アプローチを提案する。
クラス不均衡の問題を緩和するために,カテゴリ情報バランスモジュール (CIBM) とコントラストスーパービジョン (CS) 技術を用いた新たなきめ細かい分類網を提案する。
11の細い建物を持つ香港のデータセットの実験では、Top-1の平均精度が60.45%の有望な分類結果が示された。
論文 参考訳（メタデータ） (2024-03-04T15:40:31Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳（メタデータ） (2023-06-15T10:06:13Z) - SatMAE: Pre-training Transformers for Temporal and Multi-Spectral
Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。
時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文 参考訳（メタデータ） (2022-07-17T01:35:29Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳（メタデータ） (2022-05-27T12:46:52Z) - A Semantic Segmentation Network for Urban-Scale Building Footprint
Extraction Using RGB Satellite Imagery [1.9400948599830012]
都市部は世界のエネルギーの3分の2以上を消費し、世界のCO2排出量の70%以上を占めています。
3チャンネルのRGB衛星画像から建物の足跡のマスクを生成するために、拡張ResNetバックボーンを備えた変更されたDeeplabV3+モジュールを提案します。
3つの標準ベンチマークで最先端のパフォーマンスを達成し,衛星画像の規模,解像度,都市密度に依存しないことを実証した。
論文 参考訳（メタデータ） (2021-04-02T22:32:04Z)
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。