論文の概要: Evaluating Semantic and Spatial Guidance for Foundation Model Segmentation of Small-Scale PV in Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2608.10801v1
• Date: Tue, 11 Aug 2026 11:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.012944
• Title: Evaluating Semantic and Spatial Guidance for Foundation Model Segmentation of Small-Scale PV in Remote Sensing Imagery
• Title（参考訳）: リモートセンシング画像における小型PVの基礎モデルセグメンテーションのための意味的・空間的ガイダンスの評価
• Abstract要約: 視覚言語基礎モデル(FM)は、プロンプトベースの意味論と空間的ガイダンスを通じて、データ効率のパラダイムを提供する。 テキスト,幾何,ハイブリッドプロンプトの比較により,RS画像におけるPVセグメンテーションの小型化についてSAM3の評価を行った。 本研究はSAM3適応,ロバスト性,一般化の重要な決定要因として,プロンプト戦略を確立した。
• 参考スコア（独自算出の注目度）: 1.0993800728351737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal PV data are essential for understanding adoption processes in off-grid regions, yet such data remain largely unavailable. Automated segmentation of remote sensing (RS) imagery offers a promising solution; yet, residential PV systems remain challenging targets because of their small size and sparse distribution, resulting in severe target-background imbalance. Vision-language foundation models (FMs) provide a data-efficient paradigm through prompt-based semantic and spatial guidance, but the relative contribution of different prompt types remains unclear. We systematically evaluate SAM3 for small-scale PV segmentation in RS imagery by comparing textual, geometric, and hybrid prompting, under varying supervision levels, training strategies, spatial resolutions, and imaging conditions. Multi-temporal aerial imagery from a large off-grid rural region serves as a study site, with findings validated across three additional datasets. Prompting strategy emerged as the dominant factor governing model behavior. Textual prompting consistently produced the lowest performance and showed the greatest sensitivity to supervision and imaging conditions. In contrast, spatial guidance substantially improved both segmentation accuracy and robustness. Hybrid prompting achieved the highest accuracy and stability, indicating that semantic and spatial guidance provide complementary information. Most performance gains were achieved with only a few hundred annotated samples, demonstrating strong data efficiency. Transfer learning had limited overall impact, with only modest improvements observed for textual prompting under limited supervision. Overall, our findings establish prompting strategy as a key determinant of SAM3 adaptation, robustness, and generalization, highlighting the potential of promptable FMs for scalable PV mapping in data-constrained off-grid regions.
• Abstract（参考訳）: 時空間PVデータは、オフグリッド領域における導入プロセスを理解するのに不可欠であるが、そのようなデータはほとんど利用できない。 リモートセンシング(RS)画像の自動セグメンテーションは、有望な解決策を提供するが、小型化と細かな分布のため、住宅用PVシステムは依然として挑戦的な目標であり、ターゲット/背景の不均衡は深刻である。 視覚言語基礎モデル(FM)は、プロンプトに基づく意味的および空間的ガイダンスを通じて、データ効率のパラダイムを提供するが、異なるプロンプト型の相対的寄与は未だ不明である。 テキスト,幾何,ハイブリッドのプロンプトを,様々な監督レベル,訓練戦略,空間解像度,画像条件で比較することにより,小型のPVセグメンテーションのためのSAM3を系統的に評価した。 大規模なオフグリッドの田園部からの複数の時空間画像が研究の場として機能し、さらに3つのデータセットで検証された。 モデル行動を支配する主要な要因として、プロンプティング戦略が出現した。 テキストプロンプトは、常に最低性能を生み出し、監督と撮像条件に対する最大の感度を示した。 対照的に、空間誘導はセグメンテーション精度とロバスト性の両方を大幅に改善した。 ハイブリッドプロンプトは高い精度と安定性を達成し、意味的および空間的ガイダンスが相補的な情報を提供することを示す。 ほとんどのパフォーマンス向上は数百のアノテートサンプルで達成され、データ効率が向上した。 転帰学習は全体的影響が限定され、限られた監督下では、テキストのプロンプトに控えめな改善しか見られなかった。 全体として,本研究はSAM3適応,ロバスト性,一般化の重要な決定要因としてプロンプト戦略を確立し,データ制約のオフグリッド領域におけるスケーラブルなPVマッピングのためのプロンプト可能なFMの可能性を強調した。

関連論文リスト

• Improving Visual Grounding in Remote Sensing via Cluster-Guided Refinement and Model Ensemble Voting [0.16332728502735253]
  ビジュアルグラウンドティングは、自然言語記述に対応する画像領域を見つけることを目的としている。 リモートセンシング画像では、複雑なシーン、小さな物体、大規模な変動のためにグラウンド化が特に難しい。 本研究では,リモートセンシングに特化した視覚的グラウンド化モデルであるRemoteSAMと,強力な汎用セグメンテーションモデルであるSAM3の相補的な強みを組み合わせた2つのグラウンド化パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-05-30T06:13:42Z)
• On the Effectiveness of Textual Prompting with Lightweight Fine-Tuning for SAM3 Remote Sensing Segmentation [1.0993800728351737]
  テキスト,幾何学的,ハイブリッドなプロンプト戦略を比較検討し,4種類のRS画像に対するSAM3の評価を行った。 その結果、意味と幾何学的手がかりを組み合わせることで、目標と指標をまたいだ最高のパフォーマンスが得られることがわかった。 PrecisionとIoUの断続的なギャップは、アンダーセグメンテーションとバウンダリの不正確さがRSタスクの一般的なエラーパターンのままであることを示している。
  論文  参考訳（メタデータ） (2025-12-17T16:14:14Z)
• Online Clustering of Seafloor Imagery for Interpretation during Long-Term AUV Operations [0.4666493857924358]
  監視なしで海底画像の解釈が可能なオンラインクラスタリングフレームワークを提案する。 スケーラブルで適応的で自己一貫性のある方法で、継続的データストリーム上でリアルタイムに運用するように設計されている。 筆者らは3つの多様な海底画像データセットの枠組みを評価する。
  論文  参考訳（メタデータ） (2025-09-08T13:36:27Z)
• Annotation-Free Open-Vocabulary Segmentation for Remote-Sensing Images [51.74614065919118]
  本稿では,アノテーションのないRS画像のオープン語彙セグメンテーションのための最初のフレームワークであるSegEarth-OVを紹介する。 粗い特徴から高分解能空間の詳細を頑健に復元する普遍的なアップサンプラーであるSimFeatUpを提案する。 また、パッチ機能から固有のグローバルコンテキストを抽出するための、シンプルで効果的なグローバルバイアス緩和操作も提示する。
  論文  参考訳（メタデータ） (2025-08-25T14:22:57Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• Adaptive Contextual Embedding for Robust Far-View Borehole Detection [2.206623168926072]
  爆破作業では、遠視野画像から密集した小さなボアホールを正確に検出することが、運用上の安全性と効率の面で重要である。 指数移動平均(EMA)に基づく統計的更新から導出される一貫した埋め込み表現を明示的に活用することにより、既存のアーキテクチャ(例えば、YOLO)の上に構築する適応検出手法を提案する。 本手法では,(1)動的に更新された画像統計量を利用して照明やテクスチャの変動を頑健に処理する適応的拡張,(2)連続的かつ信頼性の高い特徴抽出を確実にするための埋め込み安定化,(3)空間コンテキストを利用した文脈改善による検出精度の向上,の3つの相乗的要素を紹介する。
  論文  参考訳（メタデータ） (2025-05-08T07:25:42Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Transformer Meets Convolution: A Bilateral Awareness Net-work for Semantic Segmentation of Very Fine Resolution Ur-ban Scene Images [6.460167724233707]
  本稿では,依存経路とテクスチャパスを含む相互認知ネットワーク(BANet)を提案する。 BANetは、VFR画像の長距離関係と細かな詳細をキャプチャする。 3つの大規模都市景観画像セグメンテーションデータセット(ISPRS Vaihingen データセット、ISPRS Potsdam データセット、UAVid データセット)で実施された実験は、BANetの有効性を実証している。
  論文  参考訳（メタデータ） (2021-06-23T13:57:36Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。