論文の概要: GEOID-Flood: A Large-Scale Multi-Modal Benchmark Dataset for Flood Segmentation

• arxiv url: http://arxiv.org/abs/2608.02315v1
• Date: Mon, 03 Aug 2026 14:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.604445
• Title: GEOID-Flood: A Large-Scale Multi-Modal Benchmark Dataset for Flood Segmentation
• Title（参考訳）: GEOID-Flood:Floodセグメンテーションのための大規模マルチモーダルベンチマークデータセット
• Abstract要約: 大規模なマルチモーダル洪水セグメンテーションベンチマークであるGEOID-Floodを導入し、10年間で65か国219のイベントにまたがった。 我々は,従来のエンコーダに対して,単一画像,マルチテンポラル,マルチモーダルプロトコルを用いた基礎モデルの評価を行った。 基礎モデルは、一貫性はあるが控えめな優位性、微調整による光-SAR融合は、過渡的な洪水を解消し、GEOID-Floodで訓練されたモデルは、既存のデータセットで訓練されたものよりも、目に見えないイベントへ移行する。
• 参考スコア（独自算出の注目度）: 2.1603212842899304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geospatial foundation models aim to learn representations that transfer across regions and sensors, yet evaluating them on specific tasks requires large, high-quality, multi-modal benchmarks that measure how well such models extract value from data. Concerning flood mapping, existing datasets rarely combine bi-temporal SAR and co-registered optical imagery at scale, leaving the value of foundation models for this downstream task largely untested. We introduce GEOID-Flood, a large-scale multi-modal flood segmentation benchmark, derived from Copernicus Emergency Management Service activations, spanning 219 events across 65 countries over ten years. The dataset provides more than 14,000 tiles with co-registered pre- and post-event Sentinel-1, in GRD and RTC format, pre-event Sentinel-2 composite, and DEM, including manually validated labels that separate background from permanent water and flooded water. Using this benchmark, we evaluate foundation models against conventional encoders across single-image, multi-temporal, and multi-modal protocols. We report three main findings: foundation models offer a consistent but modest advantage; optical-SAR fusion with finetuning best resolves transient flooding; and models trained on GEOID-Flood transfer to unseen events better than those trained on existing datasets. Dataset and code available at https://github.com/links-ads/geoid-flood.
• Abstract（参考訳）: 地理空間基盤モデルは、地域やセンサ間で転送される表現を学習することを目的としているが、特定のタスクでそれらを評価するには、そのようなモデルがデータからどのように価値を抽出するかを測定する、大規模で高品質なマルチモーダルベンチマークが必要である。 フラッドマッピングに関して、既存のデータセットは、バイテンポラルSARと大規模に登録された光学画像を組み合わせることは滅多になく、この下流タスクの基礎モデルの価値はほとんどテストされていない。 GEOID-FloodはCopernicus Emergency Management Serviceのアクティベーションから派生した大規模マルチモーダル洪水セグメンテーションベンチマークである。 データセットは14,000以上のタイルに、GRDとRTCフォーマットで事前登録されたSentinel-1、事前登録されたSentinel-2コンポジット、DEMで、永続的な水と浸水から背景を分離する手動検証されたラベルを含む。 本ベンチマークを用いて,従来のエンコーダに対して,単一画像,複数時間,マルチモーダルプロトコルを用いた基礎モデルの評価を行った。 基礎モデルは、一貫性はあるが控えめな優位性、微調整による光-SAR融合は、過渡的な洪水を解消する、GEOID-Floodのトレーニングされたモデルは、既存のデータセットでトレーニングされたものよりも、目に見えないイベントへ移行する、という3つの主な発見を報告する。 データセットとコードはhttps://github.com/links-ads/geoid-flood.orgで公開されている。

関連論文リスト

• 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)
• 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)
• AnySat: One Earth Observation Model for Many Resolutions, Scales, and Modalities [5.767156832161819]
  本稿では,JEPAとスケール適応型空間エンコーダに基づくマルチモーダルモデルであるAnySatを提案する。 この統一アプローチの利点を実証するため、異なる特徴を持つ5つのマルチモーダルデータセットの集合であるGeoPlexをコンパイルする。 次に、これらの多様なデータセット上で、単一の強力なモデルを同時にトレーニングします。
  論文  参考訳（メタデータ） (2024-12-18T18:11:53Z)
• Time Distributed Deep Learning Models for Purely Exogenous Forecasting: Application to Water Table Depth Prediction using Weather Image Time Series [1.4436965372953483]
  グラナ・マイラ(IT)における水テーブル深度を予測するための2つの異なるディープラーニングモデルを提案する。 画像時系列を扱うために、どちらのモデルも最初のTime Distributed Convolutional Neural Network (TDC) で構成され、各ステップで利用可能な画像をベクトル表現にエンコードする。 TDC-LSTMはバイアスの低減に重点を置いており、TDC-UnPWaveNetは時間的ダイナミクス、相関の最大化、KGEに重点を置いている。
  論文  参考訳（メタデータ） (2024-09-20T07:25:54Z)
• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。 各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• MergeOcc: Bridge the Domain Gap between Different LiDARs for Robust Occupancy Prediction [8.993992124170624]
  MergeOccは、複数のデータセットを活用することで、異なるLiDARを同時に扱うように開発されている。 MergeOccの有効性は、自動運転車のための2つの顕著なデータセットの実験を通じて検証される。
  論文  参考訳（メタデータ） (2024-03-13T13:23:05Z)
• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• A Nearest Neighbor Network to Extract Digital Terrain Models from 3D Point Clouds [1.6249267147413524]
  本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。 我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
  論文  参考訳（メタデータ） (2020-05-21T15:54:55Z)
• JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
  我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。 本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T14:59:35Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。