論文の概要: From Machine Learning to Large-Scale EO Products: Best Practices for Making Maps

• arxiv url: http://arxiv.org/abs/2607.24532v3
• Date: Thu, 30 Jul 2026 16:09:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 15:03:14.07578
• Title: From Machine Learning to Large-Scale EO Products: Best Practices for Making Maps
• Title（参考訳）: 機械学習から大規模EO製品へ - マップ作成のベストプラクティス
• Abstract要約: 近年、地球観測(EO)データから得られた大規模な地理空間地図の作成が急速に拡大している。 技術的に健全で科学的に信頼できる製品を作り出すことは 依然として困難です 本稿では,衛星データからオペレーショナルマップ製品まで,パイプラインにまたがる推奨プラクティスについて,簡潔かつエンドツーエンドに報告する。
• 参考スコア（独自算出の注目度）: 21.57765486835531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent years have seen a rapid expansion in the production of large-scale geospatial maps derived from Earth observation (EO) data, driven largely by advances in machine learning (ML) and large computing infrastructure. Although the barrier to generating such maps has dropped substantially, established best practices have yet to emerge, and design decisions made early in the pipeline can quietly propagate errors into the final product. Producing a technically sound and scientifically credible product remains challenging. Choices made at every stage are tightly coupled: preprocessing decisions shape the training signal, dataset design governs what the model can learn and how reliably its performance can be assessed, and global-scale inference introduces engineering challenges in compute and data access at scale, as well as artifact mitigation. Furthermore, uncertainty quantification and independent map validation each require dedicated methodological attention that is often underestimated. This paper presents a concise, end-to-end account of the recommended practices spanning the pipeline from satellite data to an operational map product. We organize the discussion around six interconnected themes: the EO data infrastructure landscape, data selection and preprocessing, ML dataset construction and model training, uncertainty quantification, map production and distribution, and validation. This paper is a condensed version of a longer guide that provides greater depth across all stages, accessible online at ghjuliasialelli.github.io/ML-EO-Maps/.
• Abstract（参考訳）: 近年、地球観測(EO)データから得られた大規模地理空間マップの生産が急速に拡大し、機械学習(ML)と大規模コンピューティングインフラの進歩に大きく寄与している。 このようなマップを生成するための障壁は大幅に低下しているが、確立されたベストプラクティスはまだ現れておらず、パイプラインの初期に行われた設計決定は、ひっそりとエラーを最終製品に伝達する可能性がある。 技術的に健全で科学的に信頼できる製品を作ることは、依然として困難である。 事前処理の決定がトレーニングシグナルを形作り、データセット設計がモデルを学習し、そのパフォーマンスをどの程度確実に評価できるかを制御し、グローバルスケールの推論は、大規模に計算とデータアクセスを行う上でのエンジニアリング上の課題と、アーティファクトの緩和を導入します。 さらに、不確実性定量化と独立写像検証は、しばしば過小評価される専用の方法論的注意を必要とする。 本稿では,衛星データからオペレーショナルマップ製品まで,パイプラインにまたがる推奨プラクティスについて,簡潔かつエンドツーエンドに報告する。 EOデータインフラストラクチャのランドスケープ、データ選択と前処理、MLデータセットの構築とモデルトレーニング、不確実性定量化、マップの生成と配布、バリデーションの6つのテーマに関する議論をまとめる。 本論文は、より長いガイドの凝縮版であり、全ステージにわたってより深い奥行きを提供し、ghjuliasialelli.github.io/ML-EO-Maps/でオンラインでアクセスすることができる。

関連論文リスト

• Geo-Data-Driven HD Map Generation Workflow with Integrated Reference-Free Constraint-Based Verification [4.735259292476909]
  ハイデフィニション(HD)マップは自動走行システムのコアアーティファクトであるが、その生成は一般的にセンサー集約型のモバイルマッピングキャンペーンに依存している。 本稿では,表現レベル検証を統合したHDマップ生成のためのエンジニアリング指向のジオデータ駆動ワークフローを提案する。
  論文  参考訳（メタデータ） (2026-05-18T09:08:56Z)
• FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios [58.34124792457706]
  製造業セクターは、単純な認識から自律的な実行に移行するために、MLLM(Multimodal Large Language Models)をますます採用している。 進捗は、データの不足と、既存のデータセットにおけるきめ細かいドメインセマンティクスの欠如によって妨げられている。 まず、実世界の2D画像と3Dポイントクラウドを組み合わせて、微粒なドメインセマンティクスを付加した高品質なデータセットを構築します。 次に, 3 つの製造課題,すなわち, 構造面検査, 組立検査, 組立検証の18の最先端MLLMを評価し, 大幅な性能差を明らかにした。
  論文  参考訳（メタデータ） (2026-04-08T12:23:27Z)
• Enabling Advanced Land Cover Analytics: An Integrated Data Extraction Pipeline for Predictive Modeling with the Dynamic World Dataset [1.3757956340051605]
  Dynamic Worldデータセットを扱うために、フレキシブルで効率的なエンドツーエンドパイプラインを提示します。 これには、ノイズ除去に取り組む前処理および表現フレームワーク、大量のデータの効率的な抽出、LULCデータの再表現が含まれる。 パイプラインのパワーを実証するために、都市化予測問題のためのデータを抽出し、優れたパフォーマンスで機械学習モデルのスイートを構築する。
  論文  参考訳（メタデータ） (2024-10-11T16:13:01Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• An unsupervised, open-source workflow for 2D and 3D building mapping from airborne LiDAR data [0.0]
  本研究では,空中LiDARデータを利用した大規模2次元および3次元ビルディングマッピングのためのオープンソースワークフローを提案する。 私たちのワークフローは完全に教師なしであり、いかなるトレーニング手順も不要です。 提案手法のロバスト性は,広範囲なデータセット(>550 km$2$)を用いて厳密に検証され,深層学習および手指による製品との比較によりさらに検証されている。
  論文  参考訳（メタデータ） (2022-05-29T07:00:34Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。