論文の概要: LongEarth-R1: Benchmarking and Aligning Vision-Language Models for Long-Horizon Earth Observation Reasoning
- arxiv url: http://arxiv.org/abs/2608.13344v1
- Date: Thu, 13 Aug 2026 15:14:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.57652
- Title: LongEarth-R1: Benchmarking and Aligning Vision-Language Models for Long-Horizon Earth Observation Reasoning
- Title（参考訳）: LongEarth-R1:Long-Horizon Earth Observation Reasoningのためのベンチマークと照準モデル
- Abstract要約: ロングホライゾン地球観測推論は、多段階の地理的進化を組織化し、空間的変化を局所化し、時間的異常を検出し、拡張された画像列から未来を推測するモデルを必要とする。
我々は、明示的なシーケンス識別子と構造化されたチェーン・オブ・シントによる教師付き微調整によりLongEarthを開発する。
LongEarth-R1は、標準のリモートセンシングベンチマークで競争力を維持しながら、12のロングシーケンスタスクで最高の結果を得る。
- 参考スコア（独自算出の注目度）: 63.001172313432114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon Earth observation reasoning requires models to organize multi-stage geographic evolution, localize spatial changes, detect temporal anomalies, and infer future from extended image sequences. However, existing remote sensing vision-language models mainly focus on isolated images, image pairs, or short sequences, limiting reliable grounding in the relevant frames and regions. We introduce LongEarth-Bench, a benchmark containing approximately 120k question-answering samples derived from 117k unique images. Its sequences average 15.14 frames and extend to 30 frames, covering 12 tasks across evolution summarization, spatial reasoning, anomaly identification, and logical prediction. A 30k-sample subset further provides structured reasoning traces linking key frames and changed regions to final answers. We develop LongEarth through supervised fine-tuning with explicit sequence identifiers and structured chain-of-thought supervision. Building on LongEarth, LongEarth-R1 applies group relative policy optimization with format, temporal, and spatial rewards. LongEarth-R1 achieves the best results on all 12 long-sequence tasks while remaining competitive on standard remote sensing benchmarks.
- Abstract（参考訳）: ロングホライゾン地球観測推論は、多段階の地理的進化を組織化し、空間的変化を局所化し、時間的異常を検出し、拡張された画像列から未来を推測するモデルを必要とする。
しかし、既存のリモートセンシングビジョン言語モデルは、主に孤立した画像、イメージペア、またはショートシーケンスに焦点を当て、関連するフレームや領域の信頼性を制限している。
117kのユニークな画像から得られた約120kの質問応答サンプルを含むベンチマークであるLongEarth-Benchを紹介する。
そのシーケンスは平均15.14フレームで30フレームに拡張され、進化の要約、空間的推論、異常同定、論理予測など12のタスクをカバーしている。
30kサンプルのサブセットはさらに、キーフレームと変更領域を最終回答にリンクする構造化推論トレースを提供する。
我々は、明示的なシーケンス識別子と構造化されたチェーン・オブ・シントによる教師付き微調整によりLongEarthを開発する。
LongEarth上に構築されたLongEarth-R1は、フォーマット、時間、空間的な報酬によるグループ相対的なポリシー最適化を適用している。
LongEarth-R1は、標準のリモートセンシングベンチマークで競争力を維持しながら、12のロングシーケンスタスクで最高の結果を得る。
関連論文リスト
- ChronoEarth-492K: A Large Scale and Long Horizon Spatiotemporal Hyperspectral Earth Observation Dataset and Benchmark [29.791943499456426]
クロノアース-492Kは、NASAのEO SSL-1ミッションで製作された最初の大規模、時間的に調整されたハイパースペクトルアーカイブである。
17年間に185,398のグローバルなロケーションに492,354の調和パッチがあり、28,786のサイトが複数の時間的シーケンスを含んでいる。
この基盤の上に構築されたChronoEarth-Benchmarkは,静的,短期,長期の時間的タスクにまたがる統一評価スイートである。
論文 参考訳（メタデータ） (2026-05-15T06:44:23Z) - TerraScope: Pixel-Grounded Visual Reasoning for Earth Observation [71.39112735716172]
TerraScopeは、ピクセル地上の地理空間的推論を提供する統合視覚言語モデルである。
また,画素接地による空間的推論のための最初のベンチマークであるTerraScope-Benchを提案する。
論文 参考訳（メタデータ） (2026-03-19T15:38:02Z) - CrossEarth-SAR: A SAR-Centric and Billion-Scale Geospatial Foundation Model for Domain Generalizable Semantic Segmentation [51.94680303125737]
我々は、新しい物理誘導型スパース・オブ・エキスパート(MoE)アーキテクチャに基づいて構築された、最初の10億ドル規模のSARビジョン基盤モデルであるCrossEarth-SARを紹介する。
大規模な事前トレーニングを容易にするために,公共およびプライベートなSAR画像を統合する弱く完全に教師付きデータセットであるCrossEarth-SAR-200Kを開発した。
また、8つの異なる領域ギャップをまたいだ22のサブベンチマークからなるベンチマークスイートを導入し、SAR画像上でのドメイン一般化セマンティックセマンティックセグメンテーションのための最初の統一標準を確立した。
論文 参考訳（メタデータ） (2026-03-12T14:52:35Z) - Where on Earth? A Vision-Language Benchmark for Probing Model Geolocation Skills Across Scales [61.03549470159347]
視覚言語モデル (VLM) は急速に進歩しているが, オープンワールド環境における画像位置決め能力は, 網羅的に評価されていない。
我々は、視覚認識、ステップバイステップ推論、エビデンス利用を評価するVLM画像位置情報の総合ベンチマークであるEarthWhereを提示する。
論文 参考訳（メタデータ） (2025-10-13T01:12:21Z) - GeoChain: Multimodal Chain-of-Thought for Geographic Reasoning [1.0799568216202955]
GeoChainはマルチモーダル大言語モデル(MLLM)におけるステップバイステップの地理的推論を評価するためのベンチマークである
それぞれの画像を21ステップのチェーン・オブ・シークレット(CoT)質問シーケンス(3000万以上のQ&Aペア)とペアリングする。
これらのシーケンスは、粗い属性から4つの推論カテゴリにわたるきめ細かい局所化までモデルを導く。
論文 参考訳（メタデータ） (2025-06-01T02:24:46Z) - TiMo: Spatiotemporal Foundation Model for Satellite Image Time Series [39.22426645737932]
TiMoは、SITS分析に適した新しい階層型視覚トランスフォーマー基盤モデルである。
その中核となるのは、時間と空間の両方にわたるマルチスケールパターンを動的にキャプチャする時間的注意機構の導入である。
森林破壊モニタリングを含む複数の時間的タスクにわたる広範囲な実験-TiMoの最先端手法に対する優位性を実証する。
論文 参考訳（メタデータ） (2025-05-13T16:35:11Z) - AerialVG: A Challenging Benchmark for Aerial Visual Grounding by Exploring Positional Relations [51.44608822712786]
ビジュアルグラウンドイングは、自然言語記述に基づいたイメージ内のターゲットオブジェクトのローカライズを目的としている。
AerialVGは、例えば外見に基づく接地は、複数の視覚的に類似した物体を識別するには不十分である。
5Kの空中画像,50Kの注釈付き記述,103Kのオブジェクトからなる,最初のAerialVGデータセットを紹介した。
論文 参考訳（メタデータ） (2025-04-10T15:13:00Z) - SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。
我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。
タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
論文 参考訳（メタデータ） (2024-08-15T22:55:59Z)
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。