Fugu-MT 論文翻訳(概要): Earth Embeddings

論文の概要: Earth Embeddings

arxiv url: http://arxiv.org/abs/2608.03410v1
Date: Tue, 04 Aug 2026 10:04:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:23.120773
Title: Earth Embeddings
Title（参考訳）: 地球埋め込み
Authors: Adam J. Stewart, Heng Fang, Isaac A. Corley, Xiao Xiang Zhu,
Abstract要約: この章では、暗黙のロケーションエンコーダから明示的なパッチやピクセル製品まで、アース埋め込みの主なタイプを説明します。土地被覆と作物マッピング,生態・ハザードモデル,社会経済予測,セマンティックサーチにおけるそれらの利用について概観する。
参考スコア（独自算出の注目度）: 10.99983111883787
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Earth observation is moving from foundation models that users must run themselves toward embedding products that package model feature outputs as reusable data without needing to download and process the imagery used to generate them. Earth embeddings are vectors that summarize locations, image patches, or pixels, letting users analyze compact features instead of repeatedly training or running large models on raw satellite imagery. This chapter explains the main types of Earth embeddings, from implicit location encoders to explicit patch and pixel products, and compares their coverage, resolution, dimensionality, storage cost, licenses, and reproducibility. We review their use in land cover and crop mapping, ecological and hazard modeling, socioeconomic prediction, and semantic search, with evidence on when embeddings improve on conventional features and when pooling, fusion, or spatial transfer limit performance. Two case studies show practical workflows for similarity search and land cover mapping. We close with guidance for choosing, evaluating, storing, compressing, and publishing embeddings, and with open problems in oceanic and atmospheric coverage, uncertainty, and benchmarking.
Abstract（参考訳）: 地球観測は、ユーザーが生成する画像のダウンロードや処理を必要とせずに、機能出力を再利用可能なデータとしてパッケージ化するプロダクトを組み込まなければならない基礎モデルから移行している。アース埋め込みは、位置、画像パッチ、ピクセルを要約したベクトルであり、ユーザーは生の衛星画像上で大きなモデルを繰り返し訓練したり実行したりせずに、コンパクトな特徴を分析できる。この章では、暗黙のロケーションエンコーダから明示的なパッチやピクセル製品まで、アース埋め込みの主なタイプを説明し、そのカバレッジ、解像度、寸法、ストレージコスト、ライセンス、再現性を比較します。本研究は, 土地被覆, 作物マッピング, 生態・ハザードモデル, 社会経済予測, セマンティックサーチにおけるそれらの利用状況について, 埋没が従来の特徴, プーリング, 融合, 空間移動制限性能にどう影響するかを検証した。 2つのケーススタディは、類似性探索と土地被覆マッピングのための実践的なワークフローを示している。我々は、埋め込みの選択、評価、保存、圧縮、公開のためのガイダンスと、海洋および大気圏のカバー範囲、不確実性、およびベンチマークのオープンな問題に関するガイダンスを締めくくっている。

関連論文リスト

SpatialReward: Verifiable Spatial Reward Modeling for Fine-Grained Spatial Consistency in Text-to-Image Generation [62.55421542903781]
生成された画像の空間的レイアウトを評価するために明示的に設計された検証可能な報酬モデルである textbfSpatialReward を提案する。安定拡散とFLUXの実験により、空間的リワードをRLトレーニングに組み込むことで、空間的一貫性と全体的な生成品質が一貫して向上することが示された。
論文参考訳（メタデータ） (2026-03-23T17:26:35Z)
Earth Embeddings as Products: Taxonomy, Ecosystem, and Standardized Access [19.237986572562452]
Geospatial Foundation Models (GFMs) は強力な表現を提供するが、高い計算コストが広く使われるのを妨げている。事前計算された埋め込みデータ製品は、実用的な"凍結"代替手段を提供するが、現在は互換性のないフォーマットと解像度の断片化されたエコシステムに存在している。 TorchGeoを統一APIで拡張し、多様な埋め込み製品のロードとクエリを標準化します。
論文参考訳（メタデータ） (2026-01-19T15:20:18Z)
StefaLand: An Efficient Geoscience Foundation Model That Improves Dynamic Land-Surface Predictions [8.261844935991348]
伝統的なインパクトモデルは、限られた観測と概念の漂流のために空間的な一般化に苦しむ。ランドスケープインタラクションを中心とした地層モデルであるStefaLandを紹介した。我々の知る限り、これは地表面相互作用予測を実証的に改善する最初の地表面基盤モデルである。
論文参考訳（メタデータ） (2025-09-22T16:05:45Z)
Deep autoregressive modeling for land use land cover [0.0]
ランド・ユース/ランド・カバー・モデリング(LULC)は、地理的特徴と地形、生態学、人間発達に関連する異なる空間パターンの間の長距離依存関係のために難しい課題である。土地利用の空間パターンのモデル化とコンピュータビジョンからのイメージインペインティングの課題との密接な関係を同定し,約1900万個のLULCをモデル化するための改良されたPixelCNNアーキテクチャについて検討する。
論文参考訳（メタデータ） (2024-01-02T18:03:57Z)
CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
車両の新たな総合ベンチマークであるCarPatchを紹介する。内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
論文参考訳（メタデータ） (2023-07-24T11:59:07Z)
Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文参考訳（メタデータ） (2022-04-14T15:41:39Z)
Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。提案手法による事前学習では, 25%の絶対mIoUが得られた。学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文参考訳（メタデータ） (2022-03-11T16:14:14Z)
Deep residential representations: Using unsupervised learning to unlock elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文参考訳（メタデータ） (2021-12-02T17:10:52Z)
CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文参考訳（メタデータ） (2021-06-20T08:20:56Z)
Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文参考訳（メタデータ） (2021-04-10T15:00:15Z)

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。