論文の概要: SomBench: Benchmark Dataset for Advancing Machine Learning in Lunar Science
- arxiv url: http://arxiv.org/abs/2609.13277v1
- Date: Tue, 08 Sep 2026 02:58:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.159304
- Title: SomBench: Benchmark Dataset for Advancing Machine Learning in Lunar Science
- Title（参考訳）: SomBench: 月科学における機械学習改善のためのベンチマークデータセット
- Abstract要約: われわれはSomBenchを紹介した。SomBenchは、ML対応の月面データセットで、4つのミッションにまたがる10の機器から30以上のレイヤーを集約する。
アプリケーションベンチマークスイートは、影響プロセス、火山の歴史、極性ボラティルにまたがる。
ResNet-50およびSwinV2-Bモデルによるベースライン実験では、各ベンチマークタスクがリリースされた入力から学習可能であることを確認した。
- 参考スコア（独自算出の注目度）: 4.888910677829709
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lunar orbital missions, such as Lunar Reconnaissance Orbiter, Kaguya/SELENE, Gravity Recovery and Interior Laboratory, and Lunar Prospector, among others, provide rich multi-instrument observations, but their heterogeneity in sampling, projection, and conventions limits reproducible machine learning (ML). We introduce SomBench, a unified, spatially-aligned, ML-ready lunar dataset aggregating 30+ co-registered layers from ten instruments across four missions, spanning 1 meter to 20 kilometer/pixel and covering 82 degree latitude in 90 Lunar Transverse Mercator zones with two polar stereographic caps. An image-anchored tiling pipeline yields pretraining-ready multimodal tile views with leakage-safe splits, distributed as netCDF with Parquet catalogs. An application benchmark suite spans impact processes, volcanic history, and polar volatiles. Baseline experiments with ResNet-50 and SwinV2-B models confirm that each benchmark task is learnable from the released inputs, establishing reference points for future model development.
- Abstract（参考訳）: Lunar Reconnaissance Orbiter、Kaguya/SELENE、重力回復研究所、Lunar Prospectorなどの月軌道ミッションは、豊富な多施設観測を提供するが、サンプリング、投射、慣行における不均一性は再現可能な機械学習(ML)を制限する。
我々はSomBenchを紹介した。SomBenchは、空間的に整列したML対応の月面データセットで、4つのミッションにわたる10の機器から30以上の共登録層を集約し、1メートルから20キロ/ピクセルにまたがり、90のLunar Transverse Mercatorゾーンの82度をカバーする。
Image-anchored Tiling Pipelineは、ParquetカタログでnetCDFとして配布されるリークセーフスプリットを備えた、トレーニング済みのマルチモーダルタイルビューを生成する。
アプリケーションベンチマークスイートは、影響プロセス、火山の歴史、極性ボラティルにまたがる。
ResNet-50およびSwinV2-Bモデルによるベースライン実験では、各ベンチマークタスクがリリースされた入力から学習可能であることを確認し、将来のモデル開発のための基準点を確立する。
関連論文リスト
- Multimodal-Multiresolution Foundation Model for Lunar Remote Sensing [5.471205088925021]
本稿では,SomBench のスクラッチから事前学習した月面リモートセンシングのためのマルチモーダル基礎モデルを提案する。
このモデルは2つの月固有の拡張を備えたTerraMindマスクトケンアーキテクチャに適合する。
我々は,WACおよびNACスケールでのクレーター検出,不規則なマアパッチ(IMP)セグメンテーション,極性氷の確率回帰の4つのベンチマークを評価した。
論文 参考訳（メタデータ） (2026-09-08T14:55:35Z) - LunarFM: A Shared Multimodal Representation of the Moon's Surface [3.029669084751708]
月面の一般的な表現を多種多様な軌道測定から学習するモデルであるLunarFMを紹介する。
LunarFMは3つの月ミッションの6つの機器からの観測を同化し、18個の入力チャネルを共有埋め込み空間にマッピングする。
この埋め込み空間は、類似性探索、少数ショットの資源マッピング、鉱物量の回帰、地質単位の分類など、様々な下流アプリケーションをサポートしていることを実証する。
論文 参考訳（メタデータ） (2026-07-24T15:25:20Z) - FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。
ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。
ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文 参考訳（メタデータ） (2026-07-13T14:10:01Z) - Moonstone: A Multimodal Foundation Model and Benchmark for Lunar Remote Sensing [0.0]
月面リモートセンシングのための最初のマルチモーダル基礎モデルベンチマークであるMoonstoneを紹介する。
提案手法は,(1)28チャンネル,128ピクセル/度(237m)のグローバルな月予訓練データセット,(2)MG-MAE,(3)分類,回帰,セグメンテーションを含む6つの下流タスクのベンチマークである。
論文 参考訳（メタデータ） (2026-07-03T23:54:52Z) - A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。
このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。
The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
論文 参考訳（メタデータ） (2026-05-30T11:20:29Z) - MolmoAct2: Action Reasoning Models for Real-world Deployment [67.6315757474802]
MolmoAct2は、実用的なデプロイメントのために構築された、完全にオープンなアクション推論モデルである。
空間的および具体的推論に特化した VLM バックボーンである MolmoER を紹介する。
低コストプラットフォームにまたがる3つの新しいデータセットをリリースする。
論文 参考訳（メタデータ） (2026-05-04T17:51:21Z) - LLaVA-LE: Large Language-and-Vision Assistant for Lunar Exploration [5.671312847528642]
LLaVA-LEは月面と地表面のキャラクタリゼーションに特化した視覚言語モデルである。
LUCIDデータセットは96kの高解像度のパンクロマティック画像と、月の地形を詳細に記述したキャプションで構成されている。
LLaVA-LEはベースLLaVAより3.3倍、ステージ1モデルより2.1倍、推算スコアは1.070である。
論文 参考訳（メタデータ） (2026-03-25T18:17:53Z) - DualSwinFusionSeg: Multimodal Martian Landslide Segmentation via Dual Swin Transformer with Multi-Scale Fusion and UNet++ [1.1666234644810893]
モーダリティ固有の特徴抽出を分離し,マルチスケールのクロスモーダル融合を行うマルチモーダルセグメンテーションアーキテクチャであるDualSwinFusionSegを提案する。
このモデルは2つの並列Swin Transformer V2エンコーダを使用して、RGBと補助的な物理入力を独立に処理し、階層的な特徴表現を生成する。
PBVS 2026 Mars-LS ChallengeによるMMLSv2データセットの実験では、モダリティ固有のエンコーダと単純な結合に基づく融合により、限られた訓練データの下でのセグメンテーション精度が向上した。
論文 参考訳（メタデータ） (2026-03-14T21:42:14Z) - Language-based Trial and Error Falls Behind in the Era of Experience [50.503828360874536]
大きな言語モデル(LLM)は、言語ベースのエージェントタスクでは優れているが、見つからない非言語環境への適用性は依然として限られている。
本研究では,探索の禁止コストが主なボトルネックであることを示す。
セマンティック・エクスプロイトから探索を分離する新しいフレームワークであるSCOUTを提案する。
論文 参考訳（メタデータ） (2026-01-29T14:08:41Z) - LunarLoc: Segment-Based Global Localization on the Moon [52.418394025548295]
GPSのような従来の地球ベースのナビゲーションインフラが利用できない月面での自律的な運用には、グローバルなローカライゼーションが不可欠である。
本稿では,グローバルなローカライゼーション手法であるLunarLocを提案する。
LunarLocは、マルチセッショングローバルローカライゼーション実験において、サブcmレベルの精度を実現し、月のグローバルローカライゼーションにおける技術状況を大幅に上回っている。
論文 参考訳（メタデータ） (2025-06-20T12:06:47Z) - SpaceR: Reinforcing MLLMs in Video Spatial Reasoning [70.7401015322983]
ビデオ空間推論は、既存のマルチモーダル大言語モデル(MLLM)にとって重要な課題である
この制限は主に、1)このタスクに高品質なデータセットがないこと、2)空間推論能力を開発するための効果的なトレーニング戦略がないことに由来する。
空間推論能力のアンロックにおける強化学習(Reinforcement Learning with Verifiable Reward, RLVR)の成功により, RLVRパラダイムを通じて映像空間推論におけるMLLMの改善を目指す。
論文 参考訳（メタデータ） (2025-04-02T15:12:17Z)
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。