論文の概要: Infra-Bench CLS: A Global, Open-Source Benchmark for Critical Infrastructure Classification with Earth Observation Foundation Models
- arxiv url: http://arxiv.org/abs/2609.09482v1
- Date: Tue, 08 Sep 2026 21:56:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.826786
- Title: Infra-Bench CLS: A Global, Open-Source Benchmark for Critical Infrastructure Classification with Earth Observation Foundation Models
- Title（参考訳）: Infra-Bench CLS:地球観測基礎モデルによる重要なインフラ分類のためのグローバルでオープンソースベンチマーク
- Abstract要約: 重要なインフラストラクチャの位置データは、しばしば不完全で、世界中で不均一に分散される。
Infra-Bench CLSは18,756Sentinel-1 SARとSentinel-2マルチスペクトル施設スケールクリティカルインフラストラクチャアセットイメージの基盤モデルをテストするために導入された。
トップパフォーマンスクラスは空港(F1 85.3%)、駅(F1 82.1%)、データセンター(F1 77.6%)である。
- 参考スコア（独自算出の注目度）: 2.3923020933411983
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Critical infrastructure location data is often incomplete and unevenly distributed globally, especially in developing regions. Earth observation foundation models are proposed as a new step in enabling us to more efficiently understand the natural and built environment, raising questions as to their effectiveness in performing challenging downstream tasks. Yet, foundation models remain largely untested for detecting and classifying the facility-scale critical infrastructure that underpins a range of important societal and economic functions. Subsequently, Infra-Bench CLS is introduced as a benchmark to test foundation models on 18,756 Sentinel-1 SAR and Sentinel-2 multispectral facility-scale critical infrastructure asset images covering seven continents and 13 infrastructure classes, with results reported for the 10 retained classes. Using linear probing and fine-tuning for two training dataset levels (1.0x and 0.3x), seven foundation models are evaluated (SatlasPretrain S2, SatlasPretrain S1, CROMA, Prithvi-EO-2.0, AlphaEarth Foundations, OlmoEarth v1.1-Base, and DINOv3 ViT-L/16). When comparing macro F1 scores to a ResNet-18 supervised baseline of 39.2 percent, the best foundation model achieved 57.9 percent, a 48 percent improvement. Top performing classes were airports (F1 85.3 percent), train stations (F1 82.1 percent), and data centers (F1 77.6 percent). By contrast, many of the power sector classes perform poorly (F1 27.5-46.2 percent). These findings suggest foundation models can enable superior critical infrastructure classification, but future work should evaluate performance on higher-resolution imagery, particularly for poorly performing sectors, such as power.
- Abstract（参考訳）: 重要なインフラストラクチャの位置データは、しばしば不完全であり、特に発展途上国において、世界中で不均一に分散される。
地球観測基盤モデルは、自然と構築された環境をより効率的に理解するための新たなステップとして提案され、下流の課題を遂行する上での有効性に関する疑問が提起されている。
しかし、基礎モデルは、様々な重要な社会的・経済的機能を支える施設規模の重要なインフラを検出し、分類するために、ほとんどテストされていないままである。
その後、Infra-Bench CLSは18,756Sentinel-1 SARとSentinel-2マルチスペクトルの施設規模の重要なインフラ資産イメージを7大陸と13のインフラクラスでテストするためのベンチマークとして導入され、10の保持クラスで結果が報告された。
SatlasPretrain S2, SatlasPretrain S1, CROMA, Prithvi-EO-2.0, AlphaEarth Foundations, OlmoEarth v1.1-Base, DINOv3 ViT-L/16)。
マクロF1のスコアをResNet-18が管理するベースラインの39.2%と比較すると、最高のファンデーションモデルは57.9%、改善は48%に達した。
トップパフォーマンスクラスは空港(F1 85.3%)、駅(F1 82.1%)、データセンター(F1 77.6%)だった。
対照的に、多くの電力部門は性能が劣っている(F1 27.5-46.2%)。
これらの結果から,基盤モデルは優れたインフラストラクチャ分類を可能にする可能性が示唆された。
関連論文リスト
- SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD [91.71050339479261]
本稿では,Ascend NPU SuperPODにおけるエンドツーエンド最適化手法を提案する。
モデルレベルの並列性、計算通信オーケストレーション、低レベルのカーネル実行にまたがる階層的最適化フレームワークを開発した。
その結果、34.22%のモデルFLOP(Model FLOP)利用が達成され、オープンソースのベースラインレシピよりも2.93倍改善された。
論文 参考訳（メタデータ） (2026-07-22T13:49:17Z) - AEF-Econ: Toward Plug-and-Play Socioeconomic Foundation Embeddings from AlphaEarth for Urban Remote Sensing [11.377452084318987]
8年間で36の都市で7つの異種データストリームを統合しました。
我々は3つのカテゴリに16のラベルを持つ社会経済ベンチマークCHN-Econを構築した。
我々は36都市8年で1440万ピクセルを推定し、128dと64dの圧縮版を含むAFF-Econをリリースする。
論文 参考訳（メタデータ） (2026-06-15T08:43:25Z) - MS-SSE-Net: A Multi-Scale Spatial Squeeze-and-Excitation Network for Structural Damage Detection in Civil and Geotechnical Engineering [5.485960257223969]
本稿では,構造損傷分類のための新しいディープラーニングフレームワークであるMS-SSE-Netを提案する。
提案モデルは、DenseNet201バックボーン上に構築され、新しいマルチスケール機能抽出を統合している。
複数の構造損傷カテゴリを含むStructDamageデータセット上で実験を行った。
論文 参考訳（メタデータ） (2026-04-16T07:21:32Z) - PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。
U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。
我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
論文 参考訳（メタデータ） (2026-03-28T02:47:46Z) - LaneDiffusion: Improving Centerline Graph Learning via Prior Injected BEV Feature Generation [83.73838946806534]
センターライングラフは、自動運転における経路計画に不可欠である。
中心グラフ学習のための新しい生成パラダイムであるLaneDiffusionを紹介する。
論文 参考訳（メタデータ） (2025-11-09T08:15:58Z) - Cross-Platform Evaluation of Reasoning Capabilities in Foundation Models [1.2045707771719028]
8つの学術領域にまたがる79の課題にまたがる15の基礎モデルを評価する。
我々は,HPCスーパーコンピューティング,クラウドプラットフォーム,大学クラスタという,3つの計算パラダイムにまたがるインフラストラクチャに依存しないベンチマークを確立する。
この結果は、従来のスケーリング仮定に挑戦し、トレーニングデータ品質をモデルサイズよりも重要なものにし、教育、生産、研究のコンテキストをまたいだモデル選択のための実行可能なガイドラインを提供する。
論文 参考訳（メタデータ） (2025-10-30T17:31:03Z) - Benchmarking foundation models for hyperspectral image classification: Application to cereal crop type mapping [0.9407085421584646]
本研究は、ハイパースペクトル画像を用いた穀物作物マッピングの基礎モデル3つをベンチマークする。
成績は総合的精度(OA)、平均精度(AA)、F1スコアで測定した。
論文 参考訳（メタデータ） (2025-10-13T16:21:59Z) - SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models [73.19077622773075]
本稿では,空間知能を段階的に構築するための包括的方法論を提案する。
オブジェクトローカライゼーション、単一画像、マルチビュー、ビデオ空間推論タスクにまたがる26,610のサンプルを含むマルチモーダルデータセットであるSpatialLadder-26kを紹介する。
本研究では,物体の局所化による空間知覚の確立,多次元空間的タスクによる空間理解の発達,および検証可能な報酬を用いた強化学習による複雑な推論の強化を目的とした3段階のプログレッシブ・トレーニング・フレームワークを設計する。
論文 参考訳（メタデータ） (2025-10-09T17:50:54Z) - Attention-Enhanced Prototypical Learning for Few-Shot Infrastructure Defect Segmentation [1.440641607825089]
ディープラーニングベースのインフラストラクチャ検査アプリケーションには,セマンティックセマンティックセマンティクスが不可欠だ。
提案する拡張特徴ピラミッドネットワーク(E-FPN)フレームワークは,変圧器および下水道の欠陥カテゴリのセマンティック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ものである。
我々のフレームワークは、新しいトレーニングデータに制限のあるインフラ検査システムにおいて、新しい欠陥タイプに迅速に対応する必要性に対処する。
論文 参考訳（メタデータ） (2025-10-06T18:33:31Z) - Tuning the Right Foundation Models is What you Need for Partial Label Learning [55.61644150441799]
部分ラベル学習は、不正確な監督を伴うデータセットから一般化可能な分類器を訓練しようとする。
本研究では,13のアプローチによる11の基盤モデルの評価を,3つのシナリオ下で8つのベンチマークデータセット上で実証的に実施する。
その結果, 基礎モデルを用いた場合, 2) 互いに著しく類似した性能を示し, 3) 様々なあいまいさレベルにわたって安定な性能を維持し, 4) 基礎モデルの選択や適応戦略に敏感であることがわかった。
論文 参考訳（メタデータ） (2025-06-05T13:37:33Z) - Skywork Open Reasoner 1 Technical Report [51.403686909760914]
提案するSkywork-OR1は,長期チェーン・オブ・ソート(CoT)モデルのための,効果的かつスケーラブルな強化学習(RL)実装である。
DeepSeek-R1-Distillモデルシリーズをベースとして、我々のRLアプローチは顕著なパフォーマンス向上を実現している。
我々のSkywork-OR1-32Bモデルは、AIME24とAIME25ベンチマークでDeepSeek-R1とQwen3-32Bを上回っています。
論文 参考訳（メタデータ） (2025-05-28T12:56:04Z) - Revisiting Few-Shot Object Detection with Vision-Language Models [49.79495118650838]
我々は、最近の基礎視覚言語モデル(VLM)の文脈で、少数ショットオブジェクト検出(FSOD)のタスクを再考する。
我々は,任意の外部データ上で事前学習された検出器を評価する新しいベンチマークプロトコルであるFoundational FSODを提案する。
CVPR 2024 Foundational FSOD コンペティションについて論じ,コミュニティからの洞察を共有した。
論文 参考訳（メタデータ） (2023-12-22T07:42:00Z)
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。