論文の概要: FairRSFM: A Biome-Aware Benchmark and Debiasing Framework for Remote Sensing Foundation Models
- arxiv url: http://arxiv.org/abs/2610.05790v1
- Date: Mon, 05 Oct 2026 04:37:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 04:19:24.223095
- Title: FairRSFM: A Biome-Aware Benchmark and Debiasing Framework for Remote Sensing Foundation Models
- Title（参考訳）: FairRSFM: リモートセンシングファウンデーションモデルのためのバイオメアベンチマークとデバイアスフレームワーク
- Abstract要約: FairRSFMは,生態学的群ロバスト性を評価するためのバイオメカレントなベンチマークである。
FairRSFMは、14の地球生物群から6つの生態学的に意味のあるマクロ群にマッピングした。
総合的なパフォーマンスは、アーキテクチャやタスク間でのバイオメカレントな相違を常に隠蔽していることを示す。
- 参考スコア（独自算出の注目度）: 17.02495765712523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing foundation models (RSFMs) are commonly evaluated using aggregate metrics, which can hide systematic performance disparities across ecological regions. We introduce FairRSFM, a biome-aware benchmark for evaluating ecological group robustness in RSFMs. FairRSFM maps georeferenced samples from 14 terrestrial biome classes into six ecologically meaningful macro-groups and evaluates models under a unified frozen-backbone evaluation protocol. The benchmark covers four downstream datasets: m-EuroSAT, m-BigEarthNet, m-SA-Crop-Type, and MMEarth20K with Dynamic World label maps. Using Prithvi-EO-2.0, SatMAE, and DOFA across three random seeds, we show that aggregate performance consistently masks biome-dependent disparities across architectures and tasks. For example, Prithvi-EO-2.0 reaches 90.98% overall macro-F1 on m-EuroSAT but a mean worst-group score of only 83.72%, while m-SA-Crop-Type drops from 27.30% overall mIoU to 18.47% in the Xeric and Mineralogical group. We further evaluate Biome-Orthogonal Linear Probing (BOLP), Dynamic Biome Reweighting (DBR), and GroupDRO as complementary mitigation baselines. Their effectiveness is model- and task-dependent; for example, BOLP improves Prithvi-EO-2.0 worst-group F1@opt on m-BigEarthNet from 46.12% to 50.27% without updating the RSFM backbone. FairRSFM provides a reusable protocol for diagnosing and mitigating ecological robustness gaps in remote sensing foundation models. Code and datasets are available at: https://github.com/aminurhossain/FairRSFM.
- Abstract（参考訳）: リモートセンシング基礎モデル (RSFM) は, 集合的指標を用いて一般的に評価される。
FairRSFMは,生態学的群ロバスト性を評価するためのバイオメカレントなベンチマークである。
FairRSFMは、14の地球生物群から得られた地学的サンプルを6つの生態学的に意味のあるマクログループにマッピングし、統合された凍結バックボーン評価プロトコルの下でモデルを評価する。
ベンチマークでは、m-EuroSAT、m-BigEarthNet、m-SA-Crop-Type、MMEarth20Kの4つの下流データセットをカバーしている。
Prithvi-EO-2.0, SatMAE, DOFAを3つのランダムシードで組み合わせることで, 集合的性能がアーキテクチャやタスク間でのバイオメカレントな相違を常に隠蔽していることを示す。
例えば、Prithvi-EO-2.0は、m-EuroSATで90.98%のマクロF1に達するが、平均最悪のグループスコアは83.72%であり、m-SA-Crop-typeは、Xeric and Mineralogical groupで27.30%から18.47%に低下する。
さらに,BOLP (Dynamic Biome Reweighting) やDBR (Dynamic Biome Reweighting) , GroupDRO (GroupDRO) を相補的緩和基線として評価した。
例えば、BOLPは、m-BigEarthNet上のPrithvi-EO-2.0最悪のグループF1@optを、RSFMバックボーンを更新することなく46.12%から50.27%に改善する。
FairRSFMは、リモートセンシング基盤モデルにおける生態的堅牢性ギャップの診断と緩和のための再利用可能なプロトコルを提供する。
コードとデータセットは、https://github.com/aminurhossain/FairRSFM.comで公開されている。
関連論文リスト
- Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。
SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文 参考訳（メタデータ） (2026-09-16T15:34:21Z) - Transferable Above-Ground Biomass (AGB) Estimation Model from Multi-Sensor Data with Sparse Field Calibration [0.0]
本稿では,グローバルに訓練された1つの畳み込みニューラルネットワーク(CNN)を中心とした運用フレームワークを提案する。
このフレームワークは、局所的なプロットを少数の局所的に適用し、各領域における大域的予測と基底的真理を一致させるスケール・アンド・バイアス補正に適合させる。
ホールドアウト検証では,地球規模のGEDIモデルでR2は約0.78,RMSEは約22Mg/haを達成した。
論文 参考訳（メタデータ） (2026-08-12T04:36:26Z) - Above-ground Biomass Estimation with Geospatial Foundation Models [26.677000802777542]
AGBDデータセットを用いた世界規模のAbove-Ground Biomass推定のためのGFMのベンチマークを示す。
PANGAEAで利用可能な11のGFMと、完全に教師されたSOTA(State-of-the-art)モデルに対する製品埋め込みを比較した。
以上の結果から, GFMは, 教師付きSOTAモデルに対して, かなり性能が劣っていることが明らかとなった。
論文 参考訳（メタデータ） (2026-08-05T12:57:18Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。
U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。
我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
論文 参考訳（メタデータ） (2026-03-28T02:47:46Z) - Cryo-Bench: Benchmarking Foundation Models for Cryosphere Applications [0.6281229317487581]
Cryo-Benchは、主要なCryosphericコンポーネント間でGFMのパフォーマンスを評価するためにコンパイルされたベンチマークである。
UNet と ViT のベースラインとともに 14 の GFM を評価し,その利点,限界,最適利用戦略を評価する。
DOFA や TerraMind などの GFM は UNet より優れており、mIoU スコアは textbf59.53 、 textbf56.62 、 textbf56.60 である。
論文 参考訳（メタデータ） (2026-03-02T08:05:56Z) - An Empirical Analysis of Fine-Tuning Large Language Models on Bioinformatics Literature: PRSGPT and BioStarsGPT [0.0]
本稿では,生物情報学の専門データに基づいて,大規模言語モデル(LLM)を微調整するための再現可能なパイプラインを提案する。
3つのLSMを微調整し、14以上の語彙と意味のメトリクスでそれらをベンチマークした。
Qwen2.5-7Bは、BLEU-4とROUGE-1がそれぞれPSSGPTとBioStarsGPTで82%、70%改善した。
論文 参考訳（メタデータ） (2025-12-29T19:09:12Z) - PanFoMa: A Lightweight Foundation Model and Benchmark for Pan-Cancer [54.958921946378304]
トランスフォーマーと状態空間モデルの強みを組み合わせた軽量ハイブリッドニューラルネットワークであるPanFoMaを紹介する。
PanFoMaはフロントエンドのローカルコンテキストエンコーダと共有自己認識層から構成され、複雑で秩序に依存しない遺伝子相互作用をキャプチャする。
また,350万以上の高品質な細胞を含む大規模パンキャンサー単細胞ベンチマークPanFoMaBenchを構築した。
論文 参考訳（メタデータ） (2025-12-02T08:31:31Z) - GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。
GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。
GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
論文 参考訳（メタデータ） (2025-11-19T17:45:02Z) - From Linear Probing to Joint-Weighted Token Hierarchy: A Foundation Model Bridging Global and Cellular Representations in Biomarker Detection [44.3895875409365]
AIベースのバイオマーカーは、ヘマトキシリンとエオシン(H&E)スライドから直接分子的特徴を推測することができる。
ほとんどの病理基盤モデル(PFM)は、グローバルなパッチレベルの埋め込みに依存し、細胞レベルの形態を見落としている。
本稿では,大規模自己教師型事前学習とセル中心のポストチューニングとアテンションプールを統合し,局所トークンとグローバルトークンを融合させるPFMモデルJWTHを提案する。
論文 参考訳（メタデータ） (2025-11-07T11:05:36Z)
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。