論文の概要: Planetary Feature Fields are Scalable Earth Representations
- arxiv url: http://arxiv.org/abs/2609.37784v1
- Date: Tue, 29 Sep 2026 15:17:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.671331
- Title: Planetary Feature Fields are Scalable Earth Representations
- Title（参考訳）: 惑星の特徴フィールドは、スケーラブルな地球表現である
- Abstract要約: プラネタリー・フィーチャー・フィールド(PFF)は、空間と時間の連続的な関数を惑星スケールでモデル化することで、データ生成物間の冗長性を悪用する。
PFFは、圧縮速度の一致した単一生成物場よりも、空間的および時間的にEO製品を再構成する。
PFFは、評価済みのAPIやクラウドストレージパイプラインと比較して、エンドツーエンドの機能アクセスレイテンシを桁違いに削減する。
- 参考スコア（独自算出の注目度）: 12.925300252582824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Satellite observations, precomputed embeddings, and map products describe the same evolving Earth, yet are stored as independent, petabyte-scale data products. Their continued growth calls for compact representations of multiple products while preserving spatial and temporal detail. We introduce Planetary Feature Fields (PFFs), which exploit redundancy across data products by modeling them jointly as continuous functions of space and time at planetary scale. PFFs are spatially local explicit-implicit (hybrid) neural fields. Each field shares a factored feature volume---a decomposition of an explicit 3D grid with smaller factors---across products, while lightweight implicit decoders reconstruct individual products across multiple timesteps. PFFs reconstruct EO products over space and time more accurately than single-product fields at matched compression rates. At $1800\times$ compression relative to the uncompressed source data, reconstructed features retain approximately $90\%$ or more of the performance achieved with the original features on pixel-level segmentation, change detection, and patch-level classification tasks. PFFs can add new timesteps by extending their factored feature volumes and add new products by attaching new decoders, while leaving existing outputs unchanged. PFFs reduce end-to-end feature access latency by an order of magnitude relative to evaluated API and cloud-storage pipelines.
- Abstract（参考訳）: 衛星観測、事前計算された埋め込み、地図製品は、同じ進化する地球を表現しているが、独立したペタバイト規模のデータ製品として保存されている。
彼らの継続的な成長は、空間的および時間的詳細を保持しながら、複数の積のコンパクトな表現を要求する。
我々はPFF(Planetary Feature Fields)を導入し、これらを惑星スケールでの空間と時間の連続関数として一緒にモデル化することで、データ生成物間の冗長性を利用する。
PFFは空間的局所的明示的(ハイブリッド)神経場である。
各フィールドは、要素付き特徴量、すなわち、より小さな因子で明示的な3Dグリッドを分解する – を共有し、一方、軽量な暗黙のデコーダは、複数のタイムステップで個々の製品を再構築する。
PFFは、圧縮速度の一致した単一生成物場よりも、空間的および時間的にEO製品を再構成する。
圧縮されていないソースデータに対して1800\times$圧縮すると、再構成された機能は、ピクセルレベルのセグメンテーション、変更検出、パッチレベルの分類タスクのオリジナルの機能によって達成されたパフォーマンスの約90\%$を保持できる。
PFFは、ファクターされた機能ボリュームを拡張し、新しいデコーダをアタッチして、既存の出力をそのままにして、新しい製品を追加することで、新しいタイムステップを追加することができる。
PFFは、評価済みのAPIやクラウドストレージパイプラインと比較して、エンドツーエンドの機能アクセスレイテンシを桁違いに削減する。
関連論文リスト
- Beyond Global Latents: Chunk-Based Sparse Grid VAE for Scalable 3D Modeling [30.640147037595572]
ChunkVAEは、グローバルな潜在ボリュームではなく、局所的なチャンクを中心に構成されたスパースグリッド変分自動エンコーダである。
下流で必要なグローバルインターフェースを維持しながら,局所圧縮が幾何を拡張可能であることを示す。
論文 参考訳（メタデータ） (2026-08-03T10:15:30Z) - TAG-Head: Time-Aligned Graph Head for Plug-and-Play Fine-grained Action Recognition [4.18721311473154]
RGBのみを使用してFHARの標準3Dバックボーンをアップグレードする軽量なFLOグラフヘッドであるTAG-Headを紹介する。
ヘッドはコンパクト(小さな/Pオーバーヘッド)で、バックボーンをまたいでプラグ&プレイし、バックボーンでエンドツーエンドを訓練する。
我々は、TAG-HeadがRGBのみのモデルに新しい最先端のモデルを設定し、近年のマルチモーダルアプローチを超越していることを示す。
論文 参考訳（メタデータ） (2026-04-13T14:03:58Z) - One Model, Many Budgets: Elastic Latent Interfaces for Diffusion Transformers [80.19461768457622]
Elastic Latent Interface Transformer (ELIT) は、入力画像サイズを計算から切り離すための、ドロップインでDiT互換のメカニズムである。
読み取りと書き込み クロスアテンション・レイヤは空間トークンとラテントの間で情報を移動し、重要な入力領域を優先する。
ImageNet-1K 512pxでは、ELITの平均利得は35.3%、FIDおよびFDDスコアは39.6%である。
論文 参考訳（メタデータ） (2026-03-12T17:57:04Z) - PFF-Net: Patch Feature Fitting for Point Cloud Normal Estimation [81.94096000733127]
点雲の頑健な正規推定のための特徴抽出の新しいアイデアを提案する。
我々は、様々なデータやジオメトリに対して適切なパッチサイズを選択する問題に対処するために、異なる近傍サイズのマルチスケール特徴の融合を利用する。
マルチスケールの特徴を集約した近似戦略により,各局所パッチのスケール適応を実現することができる。
論文 参考訳（メタデータ） (2025-11-26T13:12:14Z) - Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。
既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。
筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
論文 参考訳（メタデータ） (2025-08-28T06:36:10Z) - Fourier Decomposition for Explicit Representation of 3D Point Cloud Attributes [10.018542685646015]
スペクトル領域の操作により知覚場を拡張しながら色や幾何学的特徴を歪曲する点雲符号化手法を提案する。
解析により, この符号化手法が特徴成分を効果的に分離し, 振幅が一意に色属性を捕捉し, 位相が幾何学的構造を符号化することを確認した。
ポイントクラウド分類とスタイル転送タスクにおけるポイントクラウドエンコーディングのアプローチを検証し,DensePointデータセットの最先端結果を実現する。
論文 参考訳（メタデータ） (2025-03-13T05:13:40Z) - Handling Spatial-Temporal Data Heterogeneity for Federated Continual Learning via Tail Anchor [24.689188066180463]
フェデレートされた連続学習(FCL)により、各クライアントはタスクストリームからその知識を継続的に更新することができる。
本稿では,訓練可能なタイルアンカーと凍結した出力特性を混合して特徴空間における位置を調節するフェデレートタイルアンカー (FedTA) を提案する。
論文 参考訳（メタデータ） (2024-12-24T11:35:40Z) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳（メタデータ） (2022-07-31T21:39:15Z) - Closed-Loop Data Transcription to an LDR via Minimaxing Rate Reduction [27.020835928724775]
本研究では,実世界のデータセットに対する明示的な生成モデル学習のための新しい計算フレームワークを提案する。
特に,多次元多次元データ分布と特徴空間における線形識別表現(LDR)の間の閉ループ転写を学習することを提案する。
多くのベンチマークデータセットに対する実験は、この新しいクローズドループの定式化の可能性を示している。
論文 参考訳（メタデータ） (2021-11-12T10:06:08Z) - PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。
最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
論文 参考訳（メタデータ） (2021-09-15T01:10:30Z) - Spatio-Temporal Representation Factorization for Video-based Person
Re-Identification [55.01276167336187]
本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。
STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。
実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
論文 参考訳（メタデータ） (2021-07-25T19:29:37Z)
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。