論文の概要: LunarFM: A Shared Multimodal Representation of the Moon's Surface
- arxiv url: http://arxiv.org/abs/2607.22408v1
- Date: Fri, 24 Jul 2026 15:25:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.168812
- Title: LunarFM: A Shared Multimodal Representation of the Moon's Surface
- Title（参考訳）: LunarFM:月面の共有マルチモーダル表現
- Abstract要約: 月面の一般的な表現を多種多様な軌道測定から学習するモデルであるLunarFMを紹介する。
LunarFMは3つの月ミッションの6つの機器からの観測を同化し、18個の入力チャネルを共有埋め込み空間にマッピングする。
この埋め込み空間は、類似性探索、少数ショットの資源マッピング、鉱物量の回帰、地質単位の分類など、様々な下流アプリケーションをサポートしていることを実証する。
- 参考スコア（独自算出の注目度）: 3.029669084751708
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The renewed global focus on lunar exploration, driven by the prospect of in-situ resource utilization and a sustained human presence on the Moon, has created growing demand for accurate, large-scale characterization of the lunar surface. Although vast quantities of orbital remote-sensing data have been collected, scientific analysis and resource mapping remain fragmented by heterogeneous multiinstrument observations, sparse labels, and bespoke task-specific modelling workflows. Here we introduce LunarFM, a multimodal foundation model that learns a general representation of the lunar surface from diverse orbital measurements. LunarFM assimilates observations from six instruments across three lunar missions, mapping 18 input channels to a shared embedding space. We demonstrate that this embedding space supports a diverse range of downstream applications, including similarity search, few-shot resource mapping, mineral abundance regression, and geological unit classification, enabling efficient scientific investigation and resource-oriented analysis. We provide a machine-learning-ready dataset of co-registered multimodal observations spanning latitudes from 70°S to 70°N, a pretrained multimodal masked autoencoder, and a companion embedding dataset providing a joint 768-dimensional representation of lunar surface properties. All code and data are available at https://lunarfm.trillium.tech/
- Abstract（参考訳）: 資源利用の見通しと人類の月面への存在感により、月面探査への新たなグローバルな注力により、月面の正確な大規模評価への需要が高まっている。
膨大な量のリモートセンシングデータが収集されているが、科学的分析と資源マッピングは、異種多施設観測、スパースラベル、タスク固有のモデリングワークフローによって断片化されている。
本稿では,様々な軌道計測から月面の一般的な表現を学習するマルチモーダル基礎モデルであるLunarFMを紹介する。
LunarFMは3つの月ミッションの6つの機器からの観測を同化し、18個の入力チャネルを共有埋め込み空間にマッピングする。
この埋め込み空間は、類似性探索、少数ショットの資源マッピング、鉱物量の回帰、地質単位の分類など、様々な下流アプリケーションをサポートし、効率的な科学的調査と資源指向分析を可能にしていることを実証する。
70°Sから70°Nの緯度にまたがる共同登録マルチモーダル観測の機械学習可能なデータセット、事前訓練されたマルチモーダルマスク付きオートエンコーダ、月面特性の768次元の連接埋め込みデータセットを提供する。
すべてのコードとデータはhttps://lunarfm.trillium.tech/で公開されている。
関連論文リスト
- SomBench: Benchmark Dataset for Advancing Machine Learning in Lunar Science [4.888910677829709]
われわれはSomBenchを紹介した。SomBenchは、ML対応の月面データセットで、4つのミッションにまたがる10の機器から30以上のレイヤーを集約する。
アプリケーションベンチマークスイートは、影響プロセス、火山の歴史、極性ボラティルにまたがる。
ResNet-50およびSwinV2-Bモデルによるベースライン実験では、各ベンチマークタスクがリリースされた入力から学習可能であることを確認した。
論文 参考訳（メタデータ） (2026-09-08T02:58:32Z) - Moonstone: A Multimodal Foundation Model and Benchmark for Lunar Remote Sensing [0.0]
月面リモートセンシングのための最初のマルチモーダル基礎モデルベンチマークであるMoonstoneを紹介する。
提案手法は,(1)28チャンネル,128ピクセル/度(237m)のグローバルな月予訓練データセット,(2)MG-MAE,(3)分類,回帰,セグメンテーションを含む6つの下流タスクのベンチマークである。
論文 参考訳（メタデータ） (2026-07-03T23:54:52Z) - LLaVA-LE: Large Language-and-Vision Assistant for Lunar Exploration [5.671312847528642]
LLaVA-LEは月面と地表面のキャラクタリゼーションに特化した視覚言語モデルである。
LUCIDデータセットは96kの高解像度のパンクロマティック画像と、月の地形を詳細に記述したキャプションで構成されている。
LLaVA-LEはベースLLaVAより3.3倍、ステージ1モデルより2.1倍、推算スコアは1.070である。
論文 参考訳（メタデータ） (2026-03-25T18:17:53Z) - LunarLoc: Segment-Based Global Localization on the Moon [52.418394025548295]
GPSのような従来の地球ベースのナビゲーションインフラが利用できない月面での自律的な運用には、グローバルなローカライゼーションが不可欠である。
本稿では,グローバルなローカライゼーション手法であるLunarLocを提案する。
LunarLocは、マルチセッショングローバルローカライゼーション実験において、サブcmレベルの精度を実現し、月のグローバルローカライゼーションにおける技術状況を大幅に上回っている。
論文 参考訳（メタデータ） (2025-06-20T12:06:47Z) - TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳（メタデータ） (2025-06-06T17:59:50Z) - EarthMind: Leveraging Cross-Sensor Data for Advanced Earth Observation Interpretation with a Unified Multimodal LLM [103.7537991413311]
地球観測(EO)データ分析は、環境と人間の動態のモニタリングに不可欠である。
最近のMultimodal Large Language Models (MLLM) は、EO理解の可能性を秘めているが、シングルセンサー入力に限定されている。
我々は、シングルセンサーとクロスセンサーの両方の入力を処理する統合視覚言語フレームワークであるEarthMindを提案する。
論文 参考訳（メタデータ） (2025-06-02T13:36:05Z) - OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。
地理空間応用に適したMLLM(OmniGeo)を提案する。
自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
論文 参考訳（メタデータ） (2025-03-20T16:45:48Z) - EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳（メタデータ） (2025-01-14T13:42:22Z) - PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。
複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。
PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。
本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
論文 参考訳（メタデータ） (2024-12-17T09:59:53Z) - LuSNAR:A Lunar Segmentation, Navigation and Reconstruction Dataset based on Muti-sensor for Autonomous Exploration [2.3011380360879237]
環境認識とナビゲーションアルゴリズムが月探査の基盤となっている。
既存の月のデータセットのほとんどは、単一のタスクをターゲットにしています。
本稿では,マルチタスク,マルチシーン,マルチラベルのベンチマークデータセットLuSNARを提案する。
論文 参考訳（メタデータ） (2024-07-09T02:47:58Z) - Unsupervised Distribution Learning for Lunar Surface Anomaly Detection [0.0]
月面リモートセンシングデータに,現代のデータ駆動機械学習技術がうまく適用可能であることを示す。
特に、アポロ15号の着陸モジュールを見つけるために、教師なし分布学習ニューラルネットワークモデルを訓練する。
論文 参考訳（メタデータ） (2020-01-14T05:38:37Z)
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。