論文の概要: Temporal Sensitivity Analysis of Tessera Embeddings

• arxiv url: http://arxiv.org/abs/2608.27175v1
• Date: Thu, 27 Aug 2026 14:25:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.445728
• Title: Temporal Sensitivity Analysis of Tessera Embeddings
• Title（参考訳）: テッセラインプラントの経時的感度解析
• Abstract要約: 土地利用・土地被覆マッピングにおけるテセラの時間感度について検討した。 LUCAS, DynamicEarthNet, PASTIS-Rデータセット上で, ストレートスクラッチネットワークに対する埋め込みをベンチマークする。 そこで本研究では,時間的カバレッジは固定的な前提条件ではなく,調整可能なコストであることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6376127516782099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many Earth Observation applications need land-use/land-cover maps that are both precise and frequently updated, yet the strongest Earth Observation foundation models build their embeddings from a full year of observations. We present a controlled study of the temporal sensitivity of Tessera, one of these leading foundation models, for land-use/land-cover mapping. Keeping the encoder frozen, we recompute its embeddings over varying observation windows, from a full year down to a single day. We use them as inputs to a linear probe and a UNet segmentation head, benchmarking both of them against from-scratch networks on LUCAS, DynamicEarthNet, and PASTIS-R datasets. We show that the value of the embeddings is task-dependent. Where classes are separated by phenology, as for the crop types of PASTIS-R, they reach a mean Intersection-over-Union of $58.3$, about $46\%$ above the best from-scratch model. Where classes are temporally stable (e.g., forests in DynamicEarthNet and LUCAS), embedding-based and from-scratch models match only under full supervision. On both datasets, Tessera embeddings remain markedly more label-efficient. Degradation under shorter temporal windows is gradual and class-dependent. Contracting the window from one year to one month costs $39\%$ of the segmentation accuracy on PASTIS-R but only $5\%$ on DynamicEarthNet. Single-day embeddings still classify land cover in LUCAS at $3.4$ times the chance level. Our study shows that temporal coverage is therefore a tunable cost rather than a fixed prerequisite, opening regimes such as near-real-time mapping and faster land-use/land-cover refresh cycles.
• Abstract（参考訳）: 多くの地球観測アプリケーションは、正確かつ頻繁に更新される土地利用/土地被覆マップを必要とするが、最も強力な地球観測基盤モデルは、完全な1年間の観測からその埋め込みを構築している。 本稿では,これらの主要基盤モデルの一つであるTesseraの土地利用・土地被覆マッピングにおける時間感度の制御に関する研究について述べる。 エンコーダの凍結を保ちながら、様々な観測窓に埋め込まれたエンコーダを1年ごとに1日ずつ再計算します。 線形プローブとUNetセグメンテーションヘッドの入力として使用し、両者をLUCAS、DynamicEarthNet、PASTIS-Rデータセット上のトラストスクラッチネットワークに対してベンチマークする。 埋め込みの値はタスク依存であることを示す。 PASTIS-Rの作物型と同様に、クラスが表現学によって分離される場合、平均的なインターセクション・オーバー・ユニオンは58.3ドルで、最高のオフ・スクラッチモデルより約46.%高い。 クラスが時間的に安定している場合(DynamicEarthNetとLUCASのフォレストなど)、埋め込みベースのモデルとオフスクラッチモデルは完全な監督下でのみ一致します。 両方のデータセットでは、Tesseraの埋め込みは明らかにラベル効率が良い。 短い時間窓の下での劣化は徐々に、クラスに依存している。 1年から1ヶ月のウィンドウの契約は、PASTIS-Rのセグメンテーション精度の39\%であるが、DynamicEarthNetではわずか5\%である。 単一日間の埋め込みは、LUCASの土地被覆をチャンスの3.4ドルのレベルで分類している。 そこで本研究では, 時空間被覆は固定前提条件ではなく調整可能なコストであり, ほぼリアルタイムマッピングや土地利用・土地被覆更新サイクルの高速化など, オープニングレジームの開放を図っている。

関連論文リスト

• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• OlmoEarth: Stable Latent Image Modeling for Multimodal Earth Observation [68.10925029626709]
  オルモアース(OlmoEarth)は、地球観測領域向けに設計された、多モードでシーケンシャルな基礎モデルである。 OlmoEarthは12のファンデーションモデルと比較して最先端のパフォーマンスを実現している。 我々はOlmoEarthを、データ収集、ラベル付け、トレーニング観察、地球観測モデルの推測のためのエンドツーエンドプラットフォームのバックボーンとして配置する。
  論文  参考訳（メタデータ） (2025-11-17T18:06:26Z)
• TESSERA: Precomputed FAIR Global Pixel Embeddings for Earth Representation and Analysis [0.0]
  本稿では,EO時系列の画素指向基礎モデルであるTESSERAを提案する。 128次元の潜伏埋め込みを生成し、タスク固有のトレーニングのためにラベルを数個だけ必要とします。 使いやすさ、スケール、正確さは前例がない。
  論文  参考訳（メタデータ） (2025-06-25T12:46:26Z)
• 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)
• 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)
• A Self-Supervised Approach to Land Cover Segmentation [1.0878040851638]
  土地利用/土地被覆変化マップ(LULC map)は、地球科学と農業研究において重要な資源である。 このような地図の性質から、LULCマップの作成は、衛星画像やリモートセンシングデータを正確にアノテートするために必要な時間と人的資源によって制約されることが多い。 本稿では,高品質な地中真実ラベルを必要としない土地被覆セグメンテーションの自己管理手法を実証する。
  論文  参考訳（メタデータ） (2023-10-27T16:37:36Z)
• Fewshot learning on global multimodal embeddings for earth observation tasks [5.057850174013128]
  地球の総面積の10%以上をカバーする衛星画像の3つの異なるモードを用いて、CLIP/ViTベースのモデルを事前訓練する。 我々は、従来の機械学習手法を用いて、各モードで生成された埋め込みを用いて、地球観測のために異なる下流タスクを試みている。 ラベルのない埋め込み空間は、私たちが選択したラベル付きデータセットで表される異なる地球の特徴に感受性があることを視覚的に示す。
  論文  参考訳（メタデータ） (2023-09-29T20:15:52Z)
• SSL4EO-L: Datasets and Foundation Models for Landsat Imagery [8.34029977985994]
  ランドサット計画 (Landsat program) は、過去最長の地球観測計画であり、8つの衛星による50年以上のデータ取得である。 深層学習やリモートセンシングの普及にもかかわらず、ほとんどの研究者はランドサットの画像解析に決定木とランダムな森林を使っている。 本稿では,ランドサット衛星群を対象としたセルフ・スーパーバイザード・ラーニング・フォー・アース・オブ・オブ・アース・オブ・ザ・観察のために設計された最初のデータセットであるSSL4EO-Lを紹介する。
  論文  参考訳（メタデータ） (2023-06-15T18:11:20Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• 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)
• Attention-augmented Spatio-Temporal Segmentation for Land Cover Mapping [9.992909929182202]
  衛星データの空間的および時間的性質を共同利用するために、UNet構造と双方向LSTMおよび注意メカニズムを組み込んだ新しいアーキテクチャを紹介します。 世界中の複数地域で作物をマッピングする手法の評価を行った。
  論文  参考訳（メタデータ） (2021-05-02T05:39:42Z)

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。