論文の概要: MIND the Gap: A Geographic Implicit Neural Representation with Adjustable Spatial Scale

• arxiv url: http://arxiv.org/abs/2609.25454v2
• Date: Thu, 24 Sep 2026 19:40:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.032025
• Title: MIND the Gap: A Geographic Implicit Neural Representation with Adjustable Spatial Scale
• Title（参考訳）: MIND the Gap: 調整可能な空間スケールを持つ地理的含意ニューラル表現
• Abstract要約: 地理的暗黙的ニューラル表現(INR)は、アンサンプされた場所で予測するためにスパースラベルと組み合わせられる座標ベースの埋め込みを提供する。 しかし、既存のINRは、大半がランダムなホールドアウトで評価されており、より大きな地理的ギャップをまたいで一般化する能力ははっきりしないままである。 トレーニング後の空間的粒度調整が可能な地理INRであるMatryoshka Implicit Neural Distillation (MIND)を紹介する。
• 参考スコア（独自算出の注目度）: 31.865495051867754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geographic measurements are often sparse, leaving large areas without labels for the quantities we want to map. Geographic implicit neural representations (INRs) provide coordinate-based embeddings that can be combined with sparse labels to predict at unsampled locations without satellite imagery at inference. Yet existing INRs are largely evaluated with random holdouts, leaving their ability to generalize across larger geographic gaps unclear. We introduce Matryoshka Implicit Neural Distillation (MIND), a geographic INR whose spatial granularity can be adjusted after training. MIND distills several pretrained geospatial models using nested supervision at increasing embedding dimensions, dividing the representation into contiguous chunks. Early chunks capture broad spatial patterns, while later chunks add increasingly local variation. Downstream models can retain only the leading chunks or use our Chunked Penalty to reduce reliance on later chunks without retraining the INR. We also introduce CoordBench, comprising $52$ datasets and $78$ targets with both random and regional holdouts at multiple spatial scales. Across CoordBench, fine-scale features help most when labels are nearby, while smoother representations generalize better across larger geographic gaps. MIND with the Chunked Penalty achieves the highest aggregate regression and classification performance among tested INRs and the highest overall performance under regional holdout. These results show that geographic representations should be evaluated and adapted according to the spatial separation between labeled and prediction locations.
• Abstract（参考訳）: 地理的な測定は少ないことが多く、地図に表示したい量のラベルは残っていない。 地理的暗黙的ニューラル表現(INR)は、衛星画像が推論されることなく、スパースラベルと組み合わせてアンサンプされた場所で予測できる座標ベースの埋め込みを提供する。 しかし、既存のINRは、大半がランダムなホールドアウトで評価されており、より大きな地理的ギャップをまたいで一般化する能力ははっきりしないままである。 トレーニング後の空間的粒度調整が可能な地理INRであるMatryoshka Implicit Neural Distillation (MIND)を紹介する。 MINDは、埋め込み次元を増大させ、表現を連続的なチャンクに分割するためにネストされた監督を用いて、事前訓練されたいくつかの地理空間モデルを蒸留する。 初期のチャンクは広い空間パターンを捉え、後のチャンクはより局所的な変化を増す。 ダウンストリームモデルは、先頭のチャンクのみを保持したり、Chunked Penaltyを使用して、INRを再トレーニングすることなく、後のチャンクへの依存を減らすことができます。 また、CoordBenchを紹介します。データセットは52ドル、ターゲットは78ドルです。 CoordBench全体では、ラベルが近くにある場合、よりスムーズな表現はより大きな地理的ギャップを越えてより一般化される。 The Chunked Penalty with MIND is a highest aggregate regression and classification performance between test INRs and the highest overall performance under Regional holdout。 これらの結果から,地理的表現はラベル付き位置と予測位置の空間的分離に応じて評価・適応されるべきであることが示唆された。

関連論文リスト

• Count2Density: Crowd Density Estimation without Location-level Annotations [12.745949100586278]
  トレーニング中に数レベルのアノテーションのみを使用して意味のある密度マップを予測するように設計された,新しいパイプラインであるCount2Densityを提案する。 提案手法はドメイン間適応法を著しく上回り, 半教師付き環境における最近の最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-09-03T09:36:34Z)
• Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
  本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。 本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。 次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
  論文  参考訳（メタデータ） (2024-07-18T19:15:52Z)
• Exploring Generalisability of Self-Distillation with No Labels for SAR-Based Vegetation Prediction [5.057850174013128]
  2つの合成開口レーダデータセット(S1GRD, GSSIC)を3つの地域(中国, コーヌス, ヨーロッパ)で使用したDINO-ViTベースモデルの事前学習を行う。 より小さなラベル付きデータセット上でモデルを微調整し、植生の割合を予測するとともに、モデルの埋め込み空間と、多様な地理的領域をまたいで一般化し、見当たらないデータとの接続を実証的に研究する。
  論文  参考訳（メタデータ） (2023-10-03T13:41:13Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Rethinking Spatial Invariance of Convolutional Networks for Object Counting [119.83017534355842]
  局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。 従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。 提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
  論文  参考訳（メタデータ） (2022-06-10T17:51:25Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)

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。