論文の概要: SigLIP2 for aerial fire risk classification

• arxiv url: http://arxiv.org/abs/2610.03689v1
• Date: Fri, 02 Oct 2026 17:52:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.53999
• Title: SigLIP2 for aerial fire risk classification
• Title（参考訳）: 航空火災リスク分類のためのSigLIP2
• Abstract要約: 本研究では,事前訓練したSigLIP2画像エンコーダを,航空画像から7種類の火災リスク分類に転送する方法について検討する。 2つの初期実行は、凍結エンコーダプローブと完全なモデル適応を比較します。 結果は独立したテストセットや目に見えない領域のパフォーマンスを確立しません。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We examine the transfer of a pretrained SigLIP2 image encoder to seven class fire risk classification from aerial imagery. We introduce a reproducible partition of the public FireRisk training mirror and an implementation that records data provenance, preprocessing and model selection. Two initial runs compare a frozen encoder probe with full model adaptation. On the validation partition, full adaptation reaches 63.05% accuracy and 58.94% macro F1, compared with 55.95% and 50.19% for the probe. Both runs use one training seed and select their checkpoint on the same validation partition. These development results support further evaluation of SigLIP2 but do not establish performance on an independent test set or unseen regions. The accompanying code provides a common framework for repeated experiments and comparisons with additional visual encoders.
• Abstract（参考訳）: 本研究では,事前訓練したSigLIP2画像エンコーダを,航空画像から7種類の火災リスク分類に転送する方法について検討する。 本稿では、パブリックなFireRiskトレーニングミラーの再現可能なパーティションと、データの出典、前処理、モデル選択を記録する実装を紹介する。 2つの初期実行は、凍結エンコーダプローブと完全なモデル適応を比較します。 検証分割では、完全な適応は63.05%の精度と58.94%のマクロF1に達するが、プローブは55.95%と50.19%である。 どちらも1つのトレーニングシードを使用して、同じバリデーションパーティションでチェックポイントを選択する。 これらの開発結果は、SigLIP2のさらなる評価をサポートするが、独立したテストセットや未確認領域の性能は確立しない。 付随するコードは、実験を繰り返し、追加のビジュアルエンコーダと比較するための共通のフレームワークを提供する。

関連論文リスト

• Representation Risk in Pretrained Image Encoders [0.0]
  提案手法では, 有意な事前学習エンコーダが同一画像を異なる特徴空間にマッピングし, 予測性能から顕著に異なるアウト・オブ・サンプルの結論が得られることを示す。 住宅価格,競走馬のパフォーマンス,乳がん組織学,胸部X線写真,連続顔面年齢,イネ病などを含む10種類の近代的,遺産の冷凍エンコーダを比較した。
  論文  参考訳（メタデータ） (2026-09-28T15:53:26Z)
• Comparative Performance and Parameter-Efficient Adaptation of DINOv2 for Active Trachoma Classification [0.0]
  本研究では, UCSF/Lietmanコレクションから得られた1,546枚の画像を用いて, Trachomatous Inflammation-Follicular (TF) のバイナリ分類の制御評価を行った。 DINOv2 ViT-B/14に対する4つの軽量適応機構の評価を行った。 DINOv2とECAは91.66 +/-0.97%の精度、90.69 +/- 1.10%のマクロF1、96.06 +/- 0.71%のAUCを得た。
  論文  参考訳（メタデータ） (2026-09-20T19:30:51Z)
• Decoupled Pipeline with Proposal Reranking and Score Fusion for Positive-Unlabeled Marine Species Detection [0.0]
  DS@GT ARCのマルチステージシステムについて述べる。 このシステムは102チーム中12位にランクインした。 実験の結果、提案のリコールの保存、過剰な攻撃的なフィルタリングの回避、下流のランキングの改善は、検出器を微調整したり、ノイズの多い擬似ラベルを直接訓練するよりも効果的であった。
  論文  参考訳（メタデータ） (2026-07-21T04:35:47Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• LLMSniffer: Detecting LLM-Generated Code via GraphCodeBERT and Supervised Contrastive Learning [0.31034395048547575]
  ソフトウェア開発における大規模言語モデル(LLM)は、AI生成コードと人書きコードとを区別することが重要な課題である。 本稿では,2段階の教師付きコントラスト学習パイプラインを用いて,GraphCodeBERTを微調整する検出フレームワークを提案する。 GPTSnifferとWhodunitの2つのベンチマークデータセットを評価した。
  論文  参考訳（メタデータ） (2026-04-17T13:32:25Z)
• Retrieval-Augmented Few-Shot Prompting Versus Fine-Tuning for Code Vulnerability Detection [0.8737375836744933]
  大規模な言語モデルの能力を活用するための微調整の実用的な代替手段として、ほとんどショットプロンプトが登場していない。 コード脆弱性検出における少数ショット性能向上戦略として,検索強化プロンプトについて検討する。
  論文  参考訳（メタデータ） (2025-11-28T12:19:31Z)
• Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
  本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。 入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
  論文  参考訳（メタデータ） (2021-09-12T19:33:34Z)
• End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
  本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。 提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。 最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T17:59:30Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)

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。