論文の概要: CETUS: How Far Do Representations Trained on Earth Transfer to Cassini SAR of Titan?

• arxiv url: http://arxiv.org/abs/2610.07576v1
• Date: Tue, 06 Oct 2026 01:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.741102
• Title: CETUS: How Far Do Representations Trained on Earth Transfer to Cassini SAR of Titan?
• Title（参考訳）: CETUS:タイタンのカッシーニSARへの地球移動で訓練された表現はどこまで?
• Abstract要約: この研究は、DINOv2、DOFA、CROMAの特徴と、アメリカ地質調査所のカッシーニSARの訓練を受けていない視覚変換器の特徴を比較した。 分類器は、専門家の地形図から地形ラベルを学習し、地理的に分離されたタイタン地域でそれらのラベルを予測する。 さらにTitanは、DINOv2のパフォーマンスを改善し、DOFAパフォーマンスを低下させ、CROMAの混合結果をもたらす。
• 参考スコア（独自算出の注目度）: 3.3959595006357106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cassini synthetic aperture radar (SAR) images reveal the dunes, plains, and lake basins of Titan, providing an instance of representations learned from Earth imagery for planetary terrain classification. Cross-domain Evaluation of Earth-to-Titan Transfer Using SAR (CETUS) compares features from DINOv2, DOFA and CROMA with classical image measurements and features from an untrained vision transformer on the U.S. Geological Survey's Cassini SAR mosaic. The classifiers learn terrain labels from an expert geomorphological map and predict those labels in geographically separate Titan regions. Under logistic regression settings, pretrained encoders achieve higher mean macro F1 than the combined classical features. Encoder rankings change when feature scaling, optimization, and regularization change together. Further training on Titan improves DINOv2 performance, degrades DOFA performance, and leads to mixed results for CROMA under the tested settings. Architectural and input processing differences prevent these comparisons from isolating the effect of pretraining. Classifier fitting and performance on individual terrain classes matter when assessing representation transfer for planetary mapping. Since the map draws partly on the same radar observations, the scores measure agreement with expert interpretation.
• Abstract（参考訳）: カッシーニの合成開口レーダー(SAR)画像はタイタンの砂丘、平原、湖沼の盆地を明らかにし、地球画像から得られた地形分類の例を示している。 SAR(CETUS)を用いた地球-タイタン移動のクロスドメイン評価は、DINOv2, DOFA, CROMAの特徴と、アメリカ地質調査所のカッシーニSARモザイクの非訓練ビジョントランスフォーマーの特徴を比較した。 分類器は、専門家の地形図から地形ラベルを学習し、地理的に分離されたタイタン地域でそれらのラベルを予測する。 ロジスティック回帰設定では、事前訓練されたエンコーダは古典的特徴の組み合わせよりも高い平均マクロF1を達成する。 エンコーダは、機能スケーリング、最適化、正規化が一緒に変わると、変更をランク付けする。 Titanのさらなるトレーニングは、DINOv2のパフォーマンスを改善し、DOFAパフォーマンスを低下させ、テスト設定下でのCROMAの混合結果をもたらす。 アーキテクチャと入力処理の違いは、これらの比較が事前訓練の効果を分離することを防ぐ。 惑星地図の表現伝達評価における分類器の適合と個々の地形クラスの性能について 地図は部分的に同じレーダー観測に基づいているため、スコアは専門家の解釈との一致を測る。

関連論文リスト

• Global-Local Contextual Progressive Expansion Network for Martian Landslide Segmentation in Multimodal Remote Sensing Imagery [7.778724782015986]
  本研究では,火星地すべりセグメンテーションの深層学習能力について検討する。 コンテクストプログレッシブ・レイヤ拡張機能抽出とコンテクスト推論を併用したU字型ネットワークであるTransCPLESを提案する。 7バンドのマルチモーダル火星地すべりデータセットであるMMLSv2の実験は、TransCPLESが全体的なパフォーマンスを最高のものにしていることを示している。
  論文  参考訳（メタデータ） (2026-09-11T09:24:53Z)
• 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)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• Style Alignment based Dynamic Observation Method for UAV-View Geo-localization [7.185123213523453]
  UAVビューのジオローカライゼーションのためのスタイルアライメントに基づく動的観察法を提案する。 具体的には、ドローンビュー画像の多様な視覚スタイルから衛星画像の統一的な視覚スタイルへ変換するスタイルアライメント戦略を導入する。 動的観察モジュールは、人間の観察習慣を模倣して画像の空間分布を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-03T06:19:42Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Semantically-consistent Landsat 8 image to Sentinel-2 image translation for alpine areas [0.0]
  本論文では,ランドサット8とセンチネル2のセンサ差を狭めるため,HRSemI2Iモデルを用いてスタイル伝達によるドメイン適応実験を行った。 HRSemI2Iモデルは、6バンド画像で動作するように調整され、平均値とクラス毎のメトリクスの交差対一性能が大幅に向上した。 第2のコントリビューションは、NALCMS 2015とCORINEの2つのラベルスキーム間の異なる一般化スキームを提供することである。
  論文  参考訳（メタデータ） (2022-12-22T22:07:28Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Land Cover Semantic Segmentation Using ResUNet [0.0]
  本稿では,土地被覆分類のための自動システムの開発について述べる。 本システムは、入力として領域のマルチバンド衛星画像を取得し、入力と同じ解像度で領域のランドカバーマップを出力する。 この目的のために、衛星画像の土地被覆セマンティックセグメンテーションを予測するために、畳み込み機械学習モデルを訓練した。
  論文  参考訳（メタデータ） (2020-10-13T10:56:09Z)

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。