論文の概要: nnMNet: Baseline for Martian Terrain Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2608.29609v1
• Date: Sun, 30 Aug 2026 07:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.01948
• Title: nnMNet: Baseline for Martian Terrain Semantic Segmentation
• Title（参考訳）: nnMNet:火星の地層セマンティックセグメンテーションのベースライン
• Abstract要約: 火星のセマンティックセグメンテーションのために設計された新しいベースラインモデルnnMNetを提案する。 局所表現とグローバル表現のギャップを埋めるために,空間認識融合ブロック(SAFB)を導入する。 nnMNetはSynMars-TW、SynMars-Air、MarsScapesでそれぞれ86.61%、83.25%、88.24%のmIoUを達成した。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation is a crucial task for understanding Mars, the most Earth-like planet in our solar system. However, it is challenging because the Martian surface is highly unstructured and complex, making accurate pixel-level prediction and fine-grained annotation difficult. Recent advancements in deep learning have introduced numerous methods and datasets to address these challenges. Nevertheless, the field lacks a robust, publicly available, and reproducible baseline, as well as a unified benchmark to facilitate fair evaluations. In this work, we present nnMNet, a new baseline model designed for Martian terrain semantic segmentation. Building upon nnWNet, we integrate linear attention to better capture global context and employ lightweight convolutions to reduce computational overhead. To bridge the gap between local and global representations, we introduce the Spatially-Aware Fusion Block (SAFB), which augments and combines features with diverse characteristics. Furthermore, we establish a new benchmark by curating and standardizing three high-quality datasets for thorough evaluation. nnMNet achieves new state-of-the-art 86.61%, 83.25%, and 88.24% mIoU on SynMars-TW, SynMars-Air, and MarsScapes, respectively. Our code, models, and datasets are publicly available at https://github.com/dereklee0310/nnMNet.
• Abstract（参考訳）: セマンティック・セグメンテーション(Semantic segmentation)は、太陽系で最も地球に似た惑星である火星を理解するための重要な課題です。 しかし、火星の表面は非常に非構造的で複雑であり、正確なピクセルレベルの予測と微粒な注釈を困難にしているため、これは難しい。 ディープラーニングの最近の進歩は、これらの課題に対処するための多くの方法とデータセットを導入している。 それでも、フィールドには堅牢で公開されており、再現可能なベースラインと、公正な評価を促進するための統一されたベンチマークが欠けている。 本研究では,火星の地形セマンティックセグメンテーション用に設計された新しいベースラインモデルnnMNetを提案する。 nnWNetを基盤として,グローバルなコンテキストをよりよく捉え,計算オーバーヘッドを低減するために軽量な畳み込みを利用する。 局所的な表現とグローバルな表現のギャップを埋めるために,特徴を多様に拡張・結合する空間認識融合ブロック(SAFB)を導入する。 さらに、3つの高品質なデータセットをキュレートし、標準化し、徹底的な評価を行うことで、新しいベンチマークを確立する。 nnMNetはSynMars-TW、SynMars-Air、MarsScapesでそれぞれ86.61%、83.25%、88.24%のmIoUを達成した。 私たちのコード、モデル、データセットはhttps://github.com/dereklee0310/nnMNetで公開されています。

関連論文リスト

• Global-Local Contextual Progressive Expansion Network for Martian Landslide Segmentation in Multimodal Remote Sensing Imagery [7.778724782015986]
  本研究では,火星地すべりセグメンテーションの深層学習能力について検討する。 コンテクストプログレッシブ・レイヤ拡張機能抽出とコンテクスト推論を併用したU字型ネットワークであるTransCPLESを提案する。 7バンドのマルチモーダル火星地すべりデータセットであるMMLSv2の実験は、TransCPLESが全体的なパフォーマンスを最高のものにしていることを示している。
  論文  参考訳（メタデータ） (2026-09-11T09:24:53Z)
• WOW-Seg: A Word-free Open World Segmentation Model [54.80135620139728]
  我々はWOW-Segを提案する。WOW-Segは、オープンセットのカテゴリからオブジェクトをセグメンテーションし、認識するための、ワードフリーのオープンワールドモデルである。 具体的には、WOW-Segは画像マスクを視覚トークンに変換する新しいビジュアルプロンプトモジュールMask2Tokenを導入した。 また、オープンワールド領域認識テストベンチマーク、リージョン認識データセットを構築した。
  論文  参考訳（メタデータ） (2026-05-16T09:28:46Z)
• LoMa: Local Feature Matching Revisited [56.73318466794448]
  局所的特徴マッチングは、Structure-from-Motion (SfM) のような3次元視覚システムの基本コンポーネントとして長い間使われてきた。 本稿では,データ駆動の観点から局所的特徴マッチングを再考する。 大規模で多様なデータミックス、現代的なトレーニングレシピ、スケールされたモデルキャパシティ、スケールされた計算を組み合わせることで、パフォーマンスが著しく向上します。
  論文  参考訳（メタデータ） (2026-04-06T17:59:49Z)
• MarsRetrieval: Benchmarking Vision-Language Models for Planetary-Scale Geospatial Retrieval on Mars [21.01507072531742]
  火星の地理空間探索のための視覚言語モデルを評価するためのベンチマークであるMarsRetrievalを紹介する。 マルチモーダル埋め込みアーキテクチャをベンチマークするための統合検索中心プロトコルを提案する。 我々の評価では、MarsRetrievalは困難であり、強力な基礎モデルでさえしばしばドメイン固有の地形的区別を捉えない。
  論文  参考訳（メタデータ） (2026-02-15T02:41:56Z)
• OpenEarthSensing: Large-Scale Fine-Grained Benchmark for Open-World Remote Sensing [57.050679160659705]
  オープンワールドリモートセンシングのための大規模きめ細かいベンチマークである textbfOpenEarthSensing (OES) を紹介する。 OESには189のシーンとオブジェクトのカテゴリが含まれており、現実世界で起こりうる潜在的なセマンティックシフトの大部分をカバーしている。
  論文  参考訳（メタデータ） (2025-02-28T02:49:52Z)
• MarsSeg: Mars Surface Semantic Segmentation with Multi-level Extractor and Connector [19.053126804261034]
  本稿では,MarsSegと呼ばれる新しいエンコーダデコーダベースの火星セグメンテーションネットワークを提案する。 Mini-ASPPとPSAはシャドー機能拡張用に特別に設計されている。 SPPMは、高レベルのセマンティックカテゴリ関連情報の抽出を容易にする、機能強化のために使用される。
  論文  参考訳（メタデータ） (2024-04-05T15:04:57Z)
• ConeQuest: A Benchmark for Cone Segmentation on Mars [9.036303895516745]
  ConeQuestは、火星の円錐を識別する最初の専門家による公開データセットである。 本研究では,(i)空間一般化と(ii)コーンサイズ一般化という2つのベンチマークタスクを提案する。
  論文  参考訳（メタデータ） (2023-11-15T02:33:08Z)
• SSCBench: A Large-Scale 3D Semantic Scene Completion Benchmark for Autonomous Driving [87.8761593366609]
  SSCBenchは、広く使用されている自動車データセットのシーンを統合するベンチマークである。 我々は、単眼、三眼、クラウド入力を用いて、性能ギャップを評価するモデルをベンチマークする。 クロスドメインの一般化テストを簡単にするために、さまざまなデータセットにまたがったセマンティックラベルを統一しています。
  論文  参考訳（メタデータ） (2023-06-15T09:56:33Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• GD-MAE: Generative Decoder for MAE Pre-training on LiDAR Point Clouds [72.60362979456035]
  Masked Autoencoders (MAE)は、大規模な3Dポイントクラウドでの探索が難しい。 我々は,周囲のコンテキストを自動的にマージするためのtextbfGenerative textbfDecoder for MAE (GD-MAE)を提案する。 提案手法の有効性を, KITTI と ONCE の2つの大規模ベンチマークで実証した。
  論文  参考訳（メタデータ） (2022-12-06T14:32:55Z)
• S$^{5}$Mars: Semi-Supervised Learning for Mars Semantic Segmentation [18.92602724896845]
  火星のセマンティックセグメンテーションは、ローバーの自律計画と安全な運転の基盤である重要な火星ビジョンタスクである。 優れたモデルを得るためには、ほとんどのディープラーニングメソッドが正確に要求する、十分な詳細かつ高信頼のデータアノテーションが欠如している。 本稿では,共同データと手法設計の観点からその解決策を提案する。 実験結果から,本手法は最先端のSSL手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T05:03:10Z)

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。