論文の概要: GeoPhysAdapter: Scale-Matched Geophysical Adaptation for Cross-Domain Landslide Mapping with Vision Foundation Models

• arxiv url: http://arxiv.org/abs/2608.09325v1
• Date: Mon, 10 Aug 2026 09:07:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.176027
• Title: GeoPhysAdapter: Scale-Matched Geophysical Adaptation for Cross-Domain Landslide Mapping with Vision Foundation Models
• Title（参考訳）: GeoPhysAdapter:視覚基礎モデルを用いたクロスドメイン地すべりマッピングのためのスケールマッチング型物理適応
• Abstract要約: GeoPhysAdapterは凍結したビジョン基盤モデルにアンカーする。 ピクセルと候補地すべり体という2つの決定単位に有界適応を適用する。 55の地すべりのイベントと7,890のサンプルのPILDデータセットでは、ドメイン間の偽陽性の質量の70.3%が、中央値の直径207mのほぼ純真に近い急激な天体に存在している。
• 参考スコア（独自算出の注目度）: 9.327743485494892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Newly triggered landslides rarely carry immediate annotations, so cross-domain transferability determines the value of landslide mapping for emergency response and regional risk assessment. Vision foundation models have strengthened representational transfer, yet on unseen regions, events, and data sources they still generate high-confidence false alarms. Terrain, material, and rainfall triggering can constrain such errors, but their supports are local, regional, and event-scale, so that resampling onto a 10~m grid misaligns them with the segmentation decision unit and compounds the uncertain geographic context problem (UGCoP). We propose GeoPhysAdapter, which anchors on a frozen vision foundation model, restricts terrain, material, and triggering to dense spatial guidance, regional modulation, and event-timing forcing, and applies bounded adaptation at two decision units, the pixel and the candidate landslide body, reverting exactly to the visual prediction where support is insufficient. On an event-isolated PILD dataset of four public sources, 55 global landslide events, and 7,890 test samples, 70.3% of cross-domain false-positive mass lies in near-pure spurious bodies of median equivalent diameter 207m, matching coarse-prior support rather than the pixel. Pixel-level adaptation removes a net 507,817 erroneous pixels and reduces error by 7.76%, whereas raising the decision unit to the candidate body, under identical samples, anchor, and baseline, increases error reduction to 23.99%, approximately 3.1 times the pixel-level effect, improves IoU by 0.031 (14.2% relative), and corrects 9.92 pixels per pixel harmed. The data and code are publicly available at: https://github.com/Liu-Zhihang/geophysadapter.
• Abstract（参考訳）: 新たに引き起こされた地すべりは即時アノテーションをほとんど持たないため、緊急対応や地域リスク評価のための地すべりマッピングの価値はドメイン間移動性によって決定される。 ビジョンファウンデーションモデルは、表現の伝達を強化するが、未確認の領域、イベント、データソースでは、依然として自信の強い偽アラームを発生させる。 地形、物質、降雨トリガーはそのようなエラーを制限できるが、そのサポートは局所的、地域的、イベントスケールであり、10~mのグリッドに再サンプリングすることで、セグメンテーション決定ユニットでそれらを誤修正し、不確実な地理的文脈問題(UGCoP)を合成する。 凍結した視覚基盤モデルに固定し、地形、物質を制限し、密集した空間誘導、地域変調、イベント刺激にトリガーするGeoPhysAdapterを提案し、画素と候補地すべり体という2つの決定単位に有界適応を適用し、サポートが不十分な視覚予測に正確に回帰する。 4つのパブリックソース、55の地球地すべりイベント、7,890のサンプルからなるPILDデータセットでは、クロスドメインの偽陽性質量の70.3%が、中央値の207mのほぼ純真に近いスパイラルな天体にあり、ピクセルよりも粗いプライアサポートと一致する。 画素レベルの適応は、ネット507,817ピクセルを除去し、エラーを7.76%削減する一方、同じサンプル、アンカー、ベースラインの下で、決定ユニットを候補体に引き上げ、エラーの削減を23.99%、画素レベルの効果の約3.1倍に増加させ、IoUを0.031倍(14.2%)改善し、画素当たり9.92ピクセルのダメージを補正する。 データとコードは、https://github.com/Liu-Zhihang/geophysadapter.comで公開されている。

関連論文リスト

• GeoContext: One Context Ladder, Two Failure Modes in Vision-Language Geolocation: Flat Reliance on User-Provided Location Context and False Confirmation of Location Claims [11.956914785193709]
  GeoHintとGeoVerifyは、画像が主張された場所から150m以内で撮影されたかどうかのバイナリ検証である。 GeoContextは、距離と参照可能性に応じて近くの参照ポイントを階層化することでコンテキストはしごを構築する。 ベンチマークは30都市の109のサイトをカバーし、21,933のGeoHintレスポンスと6,270のGeoVerifyレスポンスを使用して5つのビジョン言語モデルを評価する。
  論文  参考訳（メタデータ） (2026-09-04T22:52:31Z)
• Synergising Local Geo-Environmental Characteristics with Spatial Context for Enhancing Landslide Susceptibility Mapping [9.253806947597635]
  地すべり点の地環境特性とそれに対応する空間的コンテキストを相乗化して,地域地質・空間的文脈融合(LGSCF)戦略を構築する。 本研究は台湾南都郡のジェナイ郡区とシナイ郡区の約2644km2をカバーしている。
  論文  参考訳（メタデータ） (2026-08-25T02:32:10Z)
• GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling [1.0875426095207128]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を導入する。 我々は、距離、隣接性、通勤性、およびリードラグ情報から構築された空間先行を正規化する。 Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。
  論文  参考訳（メタデータ） (2026-07-28T05:59:23Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• GeoRoPE: Ground-Aware Rotary Adaptation for Remote Sensing Foundation Models [34.24842271651431]
  リモートセンシング基礎モデル(RSFM)は、複数のセンサからの画像の事前学習と地中サンプリング(GSD)の恩恵を受ける 固定されたトークングリッドオフセットは、センサー間の異なる接地距離に対応でき、グリッドベースの位置先入先を物理的に矛盾させる。 地上認識, RoPE互換, パラメータ効率を考慮したRSFM空間適応手法であるGeoRoPEを提案する。
  論文  参考訳（メタデータ） (2026-06-08T12:15:53Z)
• EIDSeg: A Pixel-Level Semantic Segmentation Dataset for Post-Earthquake Damage Assessment from Social Media Images [0.5155683227758207]
  EIDSegは,地震後のソーシャルメディア画像に特化された,最初の大規模セマンティックセマンティックセマンティックセマンティクスデータセットである。 このデータセットは、2008-2023年の9大地震の3,266枚の画像からなり、5種類のインフラ被害を注視している。 我々は、最先端セグメンテーションモデルをいくつかベンチマークし、Msk Transformer (EoMT) を、mIoU (Mean Intersection over Union) (mIoU) の80.8%で最高性能の方法として同定した。
  論文  参考訳（メタデータ） (2025-11-09T16:42:36Z)
• Landslide Hazard Mapping with Geospatial Foundation Models: Geographical Generalizability, Data Scarcity, and Band Adaptability [11.01843362076594]
  地すべりマッピングのための地空間基盤モデル(GeoFM)を適用するためのフレームワークを提案する。 Prithvi-EO-2.0はタスク固有のCNN(U-Net, U-Net++)、視覚変換器(Segformer, SwinV2-B)、その他のGeoFMを一貫して上回っている。 我々は,地すべり研究において,計算コストや再利用可能なAI対応トレーニングデータの限定的利用といった課題を強調した。
  論文  参考訳（メタデータ） (2025-11-06T15:47:37Z)
• Scaling Image Geo-Localization to Continent Level [48.7766435870634]
  本稿では,大陸規模を拡大する大規模地形をまたいだ微粒な地理的局在化を実現するためのハイブリッドアプローチを提案する。 我々は、訓練中にプロキシ分類タスクを利用して、正確な位置情報を暗黙的にエンコードするリッチな特徴表現を学習する。 我々の評価は,ヨーロッパの大部分をカバーするデータセットのクエリの68%以上を200m以内でローカライズできることを示す。
  論文  参考訳（メタデータ） (2025-10-30T17:59:35Z)
• Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
  都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。 これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。 15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
  論文  参考訳（メタデータ） (2025-10-24T02:59:55Z)
• GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization [61.10806364001535]
  世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。 既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。 画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-09-27T20:54:56Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• TransGeo: Transformer Is All You Need for Cross-view Image Geo-localization [81.70547404891099]
  クロスビュー画像のジオローカライゼーションのためのCNNに基づく手法は,大域的相関をモデル化できない。 本稿では,これらの制約に対処するためのトランスジェオ (TransGeo) を提案する。 TransGeoは、都市と農村の両方のデータセットで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2022-03-31T21:19:41Z)
• PropagationNet: Propagate Points to Curve to Learn Structure Information [79.65125870257009]
  熱マップ回帰に基づく構造注入型顔アライメントアルゴリズムを提案する。 また,地中条件下での採鉱・採鉱の難しさを強調したFocal Wing Lossを提案する。 提案手法では,WFLWでは平均誤差が4.05%,300Wでは平均誤差が2.93%,COFWでは平均誤差が3.71%となる。
  論文  参考訳（メタデータ） (2020-06-25T11:08:59Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。