論文の概要: Delineate Anything v2: A Global Foundation Model for Field Delineation
- arxiv url: http://arxiv.org/abs/2607.19069v1
- Date: Tue, 21 Jul 2026 12:59:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.429479
- Title: Delineate Anything v2: A Global Foundation Model for Field Delineation
- Title（参考訳）: Delineate Anything v2: フィールド記述のためのグローバルファンデーションモデル
- Abstract要約: Delineate Anything v2は、広域フィールド境界のための、グローバルにスケーラブルな基盤モデルである。
本研究では、ゼロショット機能のための最先端ベンチマークを超えるフレームワークを構築する能力を実証する。
- 参考スコア（独自算出の注目度）: 2.9595476100051896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate agricultural field boundary delineation at large scale is a foundational task for food security, supply chain transparency, and carbon accounting. While vision foundation models like SAM show remarkable zero-shot capabilities, they frequently fail in geospatial domains due to topological complexity, cropland texturing patterns, and a lack of physical scale awareness. In this work, we introduce Delineate Anything v2, a globally scalable foundation model designed specifically for wide-area field boundary mapping. We construct FBIS-73M, a 73-million-instance multi-resolution dataset spanning 61 countries. To address the pervasive issue of multi-field administrative parcel merging, we introduce a resolution-specific data curation pipeline that leverages topological image-space adaptation to homogenize merged parcels and strengthen weak physical boundaries. Furthermore, we establish a novel, manually curated evaluation benchmark covering 100 countries to assess independent zero-shot generalization. Our results show that Delineate Anything v2 surpasses the current state-of-the-art, including the Delineate Anything framework, by 0.284 mAP@0.5 (+103.3% relative gain), while maintaining execution speeds suitable for rapid national- and global-scale deployment, as demonstrated by nationwide mapping of Ukraine (603,000 km^2) in 5.4 hours on a consumer-grade workstation. Code, pre-trained weights, the FBIS-73M dataset, and ready-to-use national-scale vector boundary products are publicly available at https://github.com/Lavreniuk/Delineate-Anything.
- Abstract（参考訳）: 農業分野の境界線を大規模に正確に定義することは、食料安全保障、サプライチェーンの透明性、炭素収支の基本的な課題である。
SAMのような視覚基盤モデルは目覚ましいゼロショット能力を示すが、地形的複雑さ、農地のテクスチャパターン、物理的スケールの認識の欠如により、しばしば地理空間領域で失敗する。
本稿では,広域フィールド境界マッピングに特化して設計された,グローバルにスケーラブルな基盤モデルであるDelineate Anything v2を紹介する。
我々は,61ヶ国にまたがる7億7千万のマルチレゾリューションデータセットであるFBIS-73Mを構築した。
マルチフィールド管理パーセル・マージの広範化問題に対処するために,位相空間適応を利用した分解能特異的データキュレーションパイプラインを導入し,統合パーセルの均質化と弱い物理境界の強化を図る。
さらに,独立ゼロショット一般化を評価するために,100カ国を対象とする手作業による評価ベンチマークを構築した。
以上の結果から,Delineate Anything v2は,ウクライナの全国地図(603,000 km^2)を5.4時間で表したように,Delineate Anything frameworkを含む最先端のフレームワークを0.284 mAP@0.5(+103.3%)で上回り,高速かつグローバルな展開に適した実行速度を維持した。
コード、事前訓練された重量、FBIS-73Mデータセット、および使用可能な全国規模のベクトル境界製品はhttps://github.com/Lavreniuk/Delineate-Anythingで公開されている。
関連論文リスト
- The first global agricultural field boundary map at 10m resolution [23.150413419951388]
世界の農業用リモートセンシング製品のほとんどは、ピクセルレベルでのみ利用可能である。
オープンで、グローバルに一貫した農地の境界の地図は、今のところ存在しない。
2024年と2025年の10m解像度で最初のグローバルフィールド境界データセットを提示する。
論文 参考訳（メタデータ） (2026-05-11T15:54:42Z) - Map2World: Segment Map Conditioned Text to 3D World Generation [64.2098235580955]
3Dワールドジェネレーションは没入型コンテンツ作成や自律運転シミュレーションに不可欠である。
近年の3Dワールドジェネレーションの進歩は有望な成果を上げているが,これらの手法はグリッドレイアウトによって制約されている。
本稿では,任意の形状とスケールのユーザ定義セグメントマップ上で,まず3次元世界生成を可能にする新しいフレームワークMap2Worldを紹介する。
論文 参考訳（メタデータ） (2026-05-01T16:56:49Z) - PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。
U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。
我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
論文 参考訳（メタデータ） (2026-03-28T02:47:46Z) - Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - Geodiffussr: Generative Terrain Texturing with Elevation Fidelity [48.82552523546255]
テキスト誘導テクスチャマップを合成するフローマッチングパイプラインであるGeodiffussrを紹介する。
マルチスケールコンテンツアグリゲーション(MCA): DEM機能は、複数の解像度でUNetブロックに注入され、グローバルからローカライズされた高度の一貫性が強制される。
Geodiffussrを訓練し,評価するために,SRTM由来のDEMとSentinel-2画像と視覚接地型自然出現キャプションを組み合わせた三重項のグローバル分布,バイオメ-および気候成層コーパスを組み立てた。
論文 参考訳（メタデータ） (2025-11-28T09:52:44Z) - Delineate Anything Flow: Fast, Country-Level Field Boundary Detection from Any Source [3.7887942935151493]
Delineate Anything Flow (DelAnyFlow) は、大規模フィールド境界マッピングのための分解能に依存しないアプローチである。
このタイプの最大のデータセットであるFBIS 22Mには、672,909のマルチ解像度イメージパッチ(0.25-10m)と22.9万の検証済みフィールドインスタンスが含まれている。
DelAnyFlowは1台のワークステーションで6時間以内に、ウクライナのための完全なフィールド境界層(603,000km2)を作成した。
論文 参考訳（メタデータ） (2025-11-17T14:30:43Z) - Delineate Anything: Resolution-Agnostic Field Boundary Delineation on Satellite Imagery [0.0]
大規模でマルチ解像度なインスタンスデータセットであるField Boundary Instance - 22Mデータセット(FBIS-22M)を紹介した。
我々は、FBIS-22Mデータセットに基づいてトレーニングされたインスタンスセグメンテーションモデルであるDelineate Anythingを提案する。
提案モデルでは,mAP@0.5で88.5%,mAP@0.5:0.95で103%の大幅な改善を実現した。
論文 参考訳（メタデータ） (2025-04-03T12:37:04Z) - Recognize Any Regions [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2023-11-02T16:31:49Z) - Enabling Country-Scale Land Cover Mapping with Meter-Resolution
Satellite Imagery [42.70832378336697]
高解像度衛星画像は、土地被覆分類のための豊富な詳細な空間情報を提供することができる。
大規模に詳細なカテゴリのランドカバーマッピングに高解像度画像を適用した研究はほとんどない。
本稿では,50億画素以上の高解像度Gaofen-2(4m)衛星画像を含む大規模ランドカバー・データセットであるFive-Billion-Pixelsを提案する。
論文 参考訳（メタデータ） (2022-09-01T21:00:23Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z)
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。