論文の概要: RSPDBench: Benchmarking Vision Foundation Models on Earth Observation Tasks Under Physically Grounded Remote-Sensing Product Degradations
- arxiv url: http://arxiv.org/abs/2609.23427v2
- Date: Wed, 23 Sep 2026 02:00:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.666282
- Title: RSPDBench: Benchmarking Vision Foundation Models on Earth Observation Tasks Under Physically Grounded Remote-Sensing Product Degradations
- Title（参考訳）: RSPDBench:物理接地型リモートセンシング製品劣化下での地球観測課題におけるビジョン基礎モデルのベンチマーク
- Abstract要約: 地球観測(EO)タスクを対象とする視覚基礎モデルは、清浄な下流ベンチマークで一般的に評価される。
既存の堅牢性評価では、製品レベルの障害モードを分離しない、一般的なイメージの破損や広範なドメインシフトを使用することが多い。
textbfRSPDBenchは、視覚基盤モデルのための物理的に接地されたtextbfsensing-textbfproduct textbffdegradation textbfbenchmarkである。
- 参考スコア（独自算出の注目度）: 2.9223917785251285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision foundation models targeting Earth observation (EO) tasks are commonly evaluated on clean downstream benchmarks, but operational EO products can already contain spatial, radiometric, alignment, noise, and harmonization defects before reaching the model. Existing robustness evaluations often use generic image corruptions or broad domain shifts, which do not isolate these product-level failure modes. We introduce \textbf{RSPDBench}, a physically grounded \textbf{r}emote-\textbf{s}ensing-\textbf{p}roduct \textbf{d}egradation \textbf{b}enchmark for vision foundation models. RSPDBench evaluates five EO datasets, seven foundation-model entries, and two supervised baselines under audited primitive degradations and compound product chains. Each model is evaluated under its clean-selected native protocol, with robustness measured as the drop from its own clean baseline. Our analysis reveals that degradation sensitivity is strongly structured: resolution-conditioned and channel-grouped encoders protect different failure axes, and the same physical defect can hurt one model while helping another. Compound chains expose failures that isolated degradations do not predict, with model-dependent amplification, saturation, or component dominance, and excess drops up to $38$ percentage points beyond the strongest component. These results show that EO robustness cannot be characterized by clean accuracy or generic perturbation tests alone; it must also be measured against the structured defects that remote-sensing products carry into deployment.
- Abstract（参考訳）: 地球観測(EO)タスクを対象とするビジョン基礎モデルは、クリーンな下流ベンチマークで一般的に評価されるが、運用中のEO製品には、モデルに到達する前に既に空間、放射計、アライメント、ノイズ、調和欠陥が含まれている。
既存のロバスト性評価では、一般的なイメージの破損や、これらの製品レベルの障害モードを分離しない広範囲なドメインシフトを使用することが多い。
視覚基盤モデルに対して、物理的に基底付けられた \textbf{r}emote-\textbf{s}ensing-\textbf{p}roduct \textbf{d}egradation \textbf{b}enchmark を導入する。
RSPDBenchは5つのEOデータセット、7つの基礎モデルエントリ、2つの教師付きベースラインを評価した。
各モデルはクリーン選択されたネイティブプロトコルで評価され、ロバスト性は自身のクリーンベースラインからのドロップとして測定される。
分解能条件付きおよびチャネルグループ型エンコーダは異なる故障軸を保護し、同じ物理的欠陥は、別のモデルを支援しながら、あるモデルを傷つける可能性がある。
複合鎖は、モデル依存増幅、飽和、コンポーネント支配といった、孤立した分解が予測できない失敗を露呈する。
これらの結果から,EOのロバスト性は,クリーンな精度や汎用的な摂動試験だけでは評価できないこと,リモートセンシング製品が展開する構造的欠陥に対して測定する必要があることが示唆された。
関連論文リスト
- Reliable Virtual Sensing: A Multi-Domain Benchmark for Robustness Under Sensor Failures [33.93467293361757]
MuViS-Cは、学習ベースの仮想センシングにおける一般的なセンサー障害に対する堅牢性の最初のマルチドメインベンチマークである。
微妙なドリフトから破滅的な信号ドロップアウトまでの10のセンサー障害モードを、複数の重度でカバーしている。
汚職、相対的な劣化、最悪のケースの脆弱性の下の平均エラーをキャプチャする。
論文 参考訳（メタデータ） (2026-09-16T09:52:49Z) - From Benchmark Performance to Tool Deployment: Human-in-the-Loop Anomaly Detection [28.67239775192971]
BowTieデータセットを用いた19の教師なし異常検出モデルの評価を行った。
モデル性能は、標準ベンチマークで通常報告されるよりも安定性が低いことを観察する。
我々は、製造部品検査のための統一されたヒューマン・イン・ザ・ループ・フレームワークをデプロイする。
論文 参考訳（メタデータ） (2026-08-07T21:31:20Z) - Beyond Accuracy: Robustness, Interpretability and Expressiveness of EEG Foundation Models [31.542508691296053]
脳波基礎モデル (EEG-FMs) は, 清潔な分布精度で評価されている。
本研究では、6つのEEG-FMを8つのデータセットにまたがるベースラインディープラーニングモデルに対してベンチマークすることで、これらのギャップに対処する。
論文 参考訳（メタデータ） (2026-05-17T17:47:00Z) - Noisy Analysis of Quantum SMOTE on Condition Monitoring and Fault Classification in Industrial and Energy Systems [0.5505634045241289]
不均衡機械学習モデルは、産業状況の監視と故障分類パイプラインにおける根本的な問題である。
この研究は、クラス不均衡緩和の下での古典的分類器の詳細なベンチマークと調査を示す。
その結果,QSMOTEは分布スキューを一貫して補正し,非線形分類器の性能を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2026-01-16T16:44:38Z) - Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。
本稿では,ロバストネスアライメントスコア(RAS)を提案する。
論文 参考訳（メタデータ） (2025-11-24T12:07:56Z) - RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。
HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。
我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
論文 参考訳（メタデータ） (2025-07-12T01:58:04Z) - Resilience of Vision Transformers for Domain Generalisation in the Presence of Out-of-Distribution Noisy Images [2.2124795371148616]
マスク付き画像モデリング(MIM)で事前訓練した視覚トラスフォーマーを,OODベンチマークと比較した。
実験では、BEITの既知の堅牢性を実証し、PACSでは94%、Office-Homeでは87%の精度を維持した。
これらの洞察は、実験室で訓練されたモデルと、不確実性の下で確実に一般化するAIシステムを構築するための青写真を提供する現実世界のデプロイメントのギャップを埋めるものだ。
論文 参考訳（メタデータ） (2025-04-05T16:25:34Z) - Benchmarking the Spatial Robustness of DNNs via Natural and Adversarial Localized Corruptions [49.546479320670464]
本稿では,セグメンテーションモデルの空間的ロバスト性を評価するための特別な指標を紹介する。
本稿では,モデルロバスト性をより深く理解する手法として,地域対応型マルチアタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック分析を提案する。
その結果、モデルがこれらの2種類の脅威に異なる反応を示すことが明らかとなった。
論文 参考訳（メタデータ） (2025-04-02T11:37:39Z) - Assessing out-of-domain generalization for robust building damage
detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。
モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。
今後はOOD体制に重点を置くべきだと我々は主張する。
論文 参考訳（メタデータ） (2020-11-20T10:30:43Z) - RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。
我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。
分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
論文 参考訳（メタデータ） (2020-10-19T17:06:18Z)
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。