論文の概要: Anaximander: Interactively Running Geospatial Deep Learning Models on Any Compute Backend
- arxiv url: http://arxiv.org/abs/2610.09085v1
- Date: Tue, 06 Oct 2026 20:31:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.598776
- Title: Anaximander: Interactively Running Geospatial Deep Learning Models on Any Compute Backend
- Title（参考訳）: Anaximander: 任意のコンピュータバックエンド上で地理空間ディープラーニングモデルをインタラクティブに実行する
- Abstract要約: 本稿では,Anaximanderについて述べる。Anaximanderは,対話型インタフェースの裏側にあるモデルソースを統一し,位置選択を計算するオープンソースシステムである。
システムのバックエンドは、複数の一般的に使用されているソースからモデルをロードし、アクセス可能な任意の計算バックエンドでそれらを提供する推論サーバである。
本研究は,農業分野のデライン化作業における3つの異種モデルのコードフリー・サイド・バイ・サイド比較で実演する。
- 参考スコア（独自算出の注目度）: 1.9670366504545094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Applying deep learning models to satellite imagery from within geographic information systems (GIS) remains high-friction for remote sensing practitioners. Models arrive in incompatible formats and target different compute environments, from local workstations to serverless cloud services. As a result, every evaluation demands custom deployment, tiling, and georeferencing code before a single prediction reaches the analyst's map. This friction discourages systematic comparison in a domain where model choice directly affects operational outcomes such as field delineation, crop monitoring, and disaster response. We present Anaximander, an open-source system that unifies model source and compute location choice behind one interactive interface. The system's backend is an inference server that loads models from multiple commonly-used sources and serves them on any accessible compute backend. The server provides session management and model caching, and streams results back per tile. The backend is paired with a QGIS plugin that drives tiling, result reassembly, georeferencing, and real-time per-tile status visualization. An additional user-interface path injects layer legends as prompts into vision-language models. We demonstrate the system in a code-free side-by-side comparison of three heterogeneous models on an agricultural field delineation task: gpt-image-1 via a cloud API, Segment Anything Model 3 (SAM3) on a remote GPU, and DelineateAnything on a local CPU. The inference backend and protocol are open-source and available at https://github.com/microsoft/nxmndr.
- Abstract（参考訳）: 地理情報システム(GIS)からの衛星画像へのディープラーニングモデルの適用は、リモートセンシング実践者にとって依然として大きな摩擦である。
モデルは互換性のないフォーマットに到達し、ローカルワークステーションからサーバレスクラウドサービスまで、さまざまな計算環境をターゲットにする。
その結果、ひとつの予測がアナリストの地図に到達する前に、評価にはカスタムデプロイメント、タイリング、ジオレファレンスコードが必要です。
この摩擦は、モデル選択がフィールドデライン、作物のモニタリング、災害対応などの運用結果に直接影響を及ぼす領域において、体系的な比較を阻害する。
本稿では,Anaximanderについて述べる。Anaximanderは,対話型インタフェースの裏側にあるモデルソースを統一し,位置選択を計算するオープンソースシステムである。
システムのバックエンドは、複数の一般的に使用されているソースからモデルをロードし、アクセス可能な任意の計算バックエンドでそれらを提供する推論サーバである。
サーバはセッション管理とモデルキャッシュを提供し、ストリームはタイルごとに返される。
バックエンドには、タイリング、結果の再アセンブリ、ジオレファレンス、リアルタイムのタイルごとのステータス視覚化を実行するQGISプラグインが組み込まれている。
追加のユーザインタフェースパスは、視覚言語モデルへのプロンプトとしてレイヤ伝説を注入する。
本稿では,農業分野のデライン化タスクにおいて,gpt-image-1をクラウドAPI経由で行う,Segment Anything Model 3 (SAM3)をリモートGPU上で行う,DelineateAnythingをローカルCPU上で行う,3つの異種モデルのコード・バイ・サイド比較を行った。
推論バックエンドとプロトコルはオープンソースでhttps://github.com/microsoft/nxmndr.comで公開されている。
関連論文リスト
- Network-based Spatial Context Retrieval for Open-weight LLMs: A Faithfulness Benchmark for Grounded Geographic Reasoning [0.0]
大規模言語モデル (LLMs) は、相当に遅れた地理的知識を符号化する。
それらは空間上では不十分であり、座標のみから問うと信頼性が低下する。
これは、地理的評価が未検討のまま残されているという疑問を提起する。
この問題を,ネットワークベースの空間コンテキスト検索のためのオープンパイプラインで取り上げる。
論文 参考訳（メタデータ） (2026-09-30T10:13:33Z) - GraphWrit3R: End-to-End 3D Scene Graph Writing [55.64871017816196]
3Dシーングラフは、オブジェクト、それらの意味的属性、それらの間の関係を符号化することで、複雑な環境の構造化された表現を提供する。
3次元シーングラフ生成の現在のアプローチは、いくつかの基本的な制限に悩まされている。
GraphWrit3Rは,3Dポイントクラウドを利用するシンプルなエンドツーエンドの手法で,シーンを構造化スクリプトとして直接出力する。
論文 参考訳（メタデータ） (2026-09-25T17:52:39Z) - 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) - GISclaw: An Open-Source LLM-Powered Agent System for Full-Stack Geospatial Analysis [1.1417805445492082]
GISclawは、LLM推論コアと永続的なPythonサンドボックスを統合する、オープンソースのエージェントシステムである。
GISclawは、Single Agent ReActとDual Agent Plan-Replanパイプラインという、2つのプラグイン可能なエージェントアーキテクチャを実装している。
システムは50タスクGeoAnalystBenchベンチマークで最大96%のタスク成功を達成する。
論文 参考訳（メタデータ） (2026-03-27T09:46:59Z) - GeoSANE: Learning Geospatial Representations from Models, Not Data [28.614607015802303]
既存の基礎モデルとタスク固有モデルの重みから統一されたニューラル表現を学習するモデルファウンダリーであるGeoSANEを紹介する。
ターゲットアーキテクチャが与えられた場合、GeoSANEは複数のモードにわたる分類、セグメンテーション、検出タスクの微調整が可能な重みを生成する。
GeoSANEによって生成されたモデルは、スクラッチからトレーニングされたモデル、最先端のリモートセンシング基盤モデル、プルーニングや知識蒸留によって得られたモデルより一貫して優れています。
論文 参考訳（メタデータ） (2026-03-24T16:40:36Z) - SGR3 Model: Scene Graph Retrieval-Reasoning Model in 3D [51.32219731589742]
3Dシーングラフは、オブジェクトエンティティとその関連性の構造化された表現を提供する。
3次元シーングラフ生成のための既存のアプローチは、通常、シーン再構成とグラフニューラルネットワーク(GNN)を組み合わせる。
本研究では,3次元のSGR3モデルを用いたScene Graph Retrieval-Reasoning Modelを提案する。
論文 参考訳（メタデータ） (2026-03-04T21:19:54Z) - OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。
現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。
自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
論文 参考訳（メタデータ） (2026-01-19T12:23:44Z) - 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) - GeoToken: Hierarchical Geolocalization of Images via Next Token Prediction [23.767061975974134]
本研究では,ヒトが広い地域から特定の住所まで場所を狭める方法に着想を得た階層的シーケンス予測手法を提案する。
本手法では, ネストした多解像度グローバルグリッドであるS2セルを用いて, 視覚入力と過去の予測に基づいて, より微細なセルを逐次予測する。
我々は,Im2GPS3kとYFCC4kのデータセットを2つの異なるベースラインに対して評価した。
論文 参考訳（メタデータ） (2025-11-02T21:30:06Z) - Fine-Tuning Small Language Models (SLMs) for Autonomous Web-based Geographical Information Systems (AWebGIS) [0.0]
本研究では,AWebGISを実現するための3つのアプローチを比較する。
クラウドベース大規模言語モデル(LLM)を用いた完全自動化オンライン手法
2) サポートベクターマシンやランダムフォレストなどの古典的機械学習分類器を用いた半自動オフライン手法。
(3) クライアントのWebブラウザで実行される、細調整された小さな言語モデル(SLM)、特にT5小モデルに基づく、完全に自律的なオフライン(クライアント側)メソッド。
論文 参考訳（メタデータ） (2025-08-06T19:50:29Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z)
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。