論文の概要: Shortcut Learning in Geospatial Foundation Model Embeddings for Cross-Disaster Damage Assessment

• arxiv url: http://arxiv.org/abs/2610.13766v1
• Date: Fri, 09 Oct 2026 15:50:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.659456
• Title: Shortcut Learning in Geospatial Foundation Model Embeddings for Cross-Disaster Damage Assessment
• Title（参考訳）: 断裂損傷評価のための地理空間モデル埋め込みにおけるショートカット学習
• Abstract要約: 地理空間基盤モデルは、災害被害評価を支援することができるが、慣れ親しんだ災害に対する高い精度は、ショートカット学習を隠蔽する可能性がある。 TerraMind, Prithvi-EO-2.0, DOFA, DINOv3 のマルチディザスタデータセット xView2 と BRIGHT への埋め込みについて検討した。 画像タイルをランダムに分割する代わりに、災害全体を抑えることで、平均平衡精度は xView2 では 0.807 から 0.638 に、BRIGHT では 0.818 から 0.568 に低下する。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geospatial foundation models can support disaster damage assessment, but high accuracy on familiar disasters may hide shortcut learning: prediction from event or scene characteristics rather than evidence that transfers to a new disaster. We study embeddings from TerraMind, Prithvi-EO-2.0, DOFA, and DINOv3 on the multi-disaster datasets xView2 and BRIGHT. Holding out an entire disaster, instead of randomly splitting image tiles, reduces mean balanced accuracy from 0.807 to 0.638 on xView2 and from 0.818 to 0.568 on BRIGHT. Four sets of tests examine what information supports prediction: event and acquisition context, before/after image inputs, building count, and correct image pairing. Pre-event images remain predictive, and a classifier given only the annotated number of buildings reaches balanced accuracy of 0.629 and 0.653. Combining before/after features performs best on average on xView2, but does not improve over pre-only features on BRIGHT. Shuffling image pairs within the same disaster and damage class causes modest losses. Motivated by these findings, we test whether feature transformations learned only from training disasters improve generalization to unseen disasters. These transformations improve performance, with supervised contrastive learning performing best on xView2 and PCA on BRIGHT. Our results highlight the importance of evaluation on unseen domains for assessing model robustness and show that simple feature-level transformations can improve generalization. Code and experiments can be found at https://github.com/alishibli97/gfm-shortcut-learning.
• Abstract（参考訳）: 地理空間基盤モデルは災害被害評価を支援することができるが、慣れ親しんだ災害に対する高い精度はショートカット学習を隠蔽する可能性がある。 TerraMind, Prithvi-EO-2.0, DOFA, DINOv3 のマルチディザスタデータセット xView2 と BRIGHT への埋め込みについて検討した。 画像タイルをランダムに分割する代わりに、災害全体を抑えることで、平均平衡精度は xView2 では 0.807 から 0.638 に、BRIGHT では 0.818 から 0.568 に低下する。 4つのテストセットは、イベントと取得コンテキスト、画像入力の前/後、ビルドカウント、正しい画像ペアリングという、予測をサポートする情報について調べる。 先行画像は依然として予測可能であり、注釈付き建物の数のみを付与した分類器は精度0.629と0.653に達する。 前/後機能の組み合わせは、xView2では平均して最高のパフォーマンスを発揮するが、BRIGHTでは、事前のみの機能よりも改善されない。 同じ災害と被害クラス内で画像ペアをシャッフルすると、わずかに損失が生じる。 これらの結果から, 訓練災害のみから得られた特徴変換が, 一般化し, 未確認災害に改善するかどうかを検証した。 これらの変換は性能を向上し、教師付きコントラスト学習はBRIGHTのxView2とPCAで最高のパフォーマンスを発揮する。 本研究は,モデルロバスト性評価における未知領域の評価の重要性を強調し,単純な特徴レベルの変換が一般化を改善することを示す。 コードと実験はhttps://github.com/alishibli97/gfm-shortcut-learningで見ることができる。

関連論文リスト

• Bridging Spatial And Frequency Views For Disaster Assessment: Benefits And Limitations [0.27185251060695437]
  本研究では,建築被害分類のための空間領域,周波数領域,二重領域深層学習手法の比較を行った。 性能は、精度、マクロF1スコア、クラスごとのメトリクス、混乱行列を用いて評価される。 双対空間構成は最高テスト精度(0.4688)と最低損失(0.4254)を達成する一方、空間限定モデルは最高マクロF1スコア(0.4254)を達成する。
  論文  参考訳（メタデータ） (2026-06-16T01:35:28Z)
• Building Damage Detection using Satellite Images and Patch-Based Transformer Methods [0.0]
  我々は、xBDデータセット上でビジョントランスフォーマー(ViT)モデルの性能を評価する。 本稿では,構造的特徴を分離し,背景雑音を最小限に抑えるパッチベースの前処理パイプラインを提案する。 そこで本研究では,災害分類のためのCNNベースラインと比較して,新しいトレーニング手法による小さなViTアーキテクチャが,競合するマクロ平均F1を実現することを示す。
  論文  参考訳（メタデータ） (2026-02-08T20:45:58Z)
• Next-Embedding Prediction Makes Strong Vision Learners [68.55755328850634]
  モデルをトレーニングして埋め込みを生成し、予測タスクを直接実行します。 Next-Embedding Predictive Autoregression (NEPA)はタスク間で強力な結果をもたらす。 埋め込みから生成する事前学習は、視覚的な自己教師型学習に代わる、シンプルでスケーラブルで、潜在的にモダリティに依存しない代替手段を提供する、と私たちは信じています。
  論文  参考訳（メタデータ） (2025-12-18T18:59:58Z)
• Hyperlocal disaster damage assessment using bi-temporal street-view imagery and pre-trained vision models [13.378498271374662]
  本研究の目的は,双方向のストリートビュー画像と高度な事前学習型視覚モデルを用いて,局地的かつ地上的な災害被害を推定することである。 Swin Transformerベースラインで66.14%の精度が、デュアルチャネルのFeature-Fusion ConvNeXtモデルで77.11%に向上した。
  論文  参考訳（メタデータ） (2025-04-12T03:52:31Z)
• DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery [12.869300064524122]
  本稿では, 損傷評価, セグメンテーション, 分類において, ディープラーニングモデルによる2つの重要な課題を遂行するソリューションを提案する。 我々の最良のモデルは、建物識別セマンティックセグメンテーション畳み込みニューラルネットワーク(CNN)と建物損傷分類CNNを組み合わせ、合計F1スコアは0.66である。 本モデルでは比較的精度の高い建物を同定することができたが,災害タイプによる被害の分類は困難であることが判明した。
  論文  参考訳（メタデータ） (2024-05-08T04:21:03Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Replacing Labeled Real-image Datasets with Auto-generated Contours [20.234550996148748]
  公式駆動型教師あり学習は,実画像を用いることなく,ImageNet-21kのそれと一致したり,超えたりできることを示す。 公式によって生成された画像は、プライバシ/コピーライトの問題、コストとエラーのラベル付け、実際の画像が抱えるバイアスを回避します。
  論文  参考訳（メタデータ） (2022-06-18T06:43:38Z)
• Core Risk Minimization using Salient ImageNet [53.616101711801484]
  私たちは、1000のImagenetクラスのコアとスプリアス機能をローカライズする100万人以上のソフトマスクを備えたSalient Imagenetデータセットを紹介します。 このデータセットを用いて、まず、いくつかのImagenet事前訓練されたモデル(総計42件)の素早い特徴に対する依存度を評価する。 次に、コアリスク最小化(CoRM)と呼ばれる新しい学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2022-03-28T01:53:34Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
  教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。 我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。 DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2021-02-09T12:47:20Z)

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。