論文の概要: MajorTOM:Elliot Pretrain, A Multi-Sensor, Multi-Temporal Pretraining Dataset for Earth Observation

• arxiv url: http://arxiv.org/abs/2610.18624v1
• Date: Tue, 13 Oct 2026 16:03:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:22:32.1198
• Title: MajorTOM:Elliot Pretrain, A Multi-Sensor, Multi-Temporal Pretraining Dataset for Earth Observation
• Title（参考訳）: MajorTOM:Elliot Pretrain, A Multi-Sensor, Multi-Temporal Pretraining Dataset for Earth Observation
• Abstract要約: MajorTOM:Elliot Pretrainは、AlphaEarthの埋め込みをクラスタリングすることによって、Major-TOMグリッドから10kmのタイル279,166点のコレクションである。 それぞれのタイルスタックは、1056x1056ピクセル、10mグリッドでSentinel-2 L1C、Landsat-8/9、Sentinel-1 RTC、Copernicus DEM、ESA WorldCoverを共有している。 コンパニオンライブラリは、これらのレイヤから、センサータグ付きファクトシート、キャプション、16ファミリーの視覚言語タスクをロード時に導出する。
• 参考スコア（独自算出の注目度）: 8.698049583442321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretraining generalist Earth observation foundation models requires data that combine several sensors, varied temporal sampling and, increasingly, text, yet open datasets rarely provide all three in one consistent, easily accessible form. We introduce MajorTOM:Elliot Pretrain, a collection of 279,166 tiles of 10 km drawn from the Major-TOM grid by clustering AlphaEarth embeddings. Each tile stacks Sentinel-2 L1C, Landsat-8/9, Sentinel-1 RTC, Copernicus DEM and ESA WorldCover on a shared 1056x1056-pixel, 10 m grid, complemented by cloud masks, OpenStreetMap entities and ERA5 weather. The tiles are partitioned into three temporal regimes, Monotemporal (250,000 tiles, one acquisition), Monthly (12,500 tiles, twelve acquisitions spread over the annual cycle) and Burst (16,666 tiles, six acquisitions within 30 days), and are released as 6.3 TB of Cloud Optimized GeoTIFFs indexed by TACO v3 Parquet metadata, a standard that allows cloud streaming, efficient data access, and filtering before any pixel is read. A companion library derives sensor-tagged fact sheets, captions and 16 families of vision-language tasks from these layers at load time. We test our design choices in short pretraining runs of OlmoEarth-Base. First, a 25% subset of Major-TOM Core-S2L2A curated with AlphaEarth embeddings matches or exceeds the full corpus on 8 of 9 benchmarks. Second, on Elliot-Pretrain, adding Landsat-8/9 improves or matches Sentinel-2 only pretraining on every benchmark. Third, using DEM and WorldCover as prediction targets during pretraining further improves 8 of 9 benchmarks, while giving the same maps to the encoder as inputs degrades 5 of 9. Fourth, Sentinel-1 helps on 7 of 9 benchmarks, particularly on benchmarks with radar inputs. Fifth, rule-based captions match a small language model at no cost. The dataset is openly available at https://source.coop/major-tom/elliot-pretrain.
• Abstract（参考訳）: 一般の地球観測基盤モデルの事前訓練には、複数のセンサー、様々な時間的サンプリング、そしてますますテキストのオープンなデータセットを組み合わせたデータが必要である。 MajorTOM:Elliot Pretrain, a collection of 279,166 tiles of 10 km from the Major-TOM grid by clustering AlphaEarth embeddeds。 Sentinel-2 L1C、Landsat-8/9、Sentinel-1 RTC、Copernicus DEM、ESA WorldCoverの各タイルスタックは、1056x1056ピクセル、10mグリッドを共有し、雲のマスク、OpenStreetMapエンティティ、ERA5気象を補完する。 タイルは、モノテンポラル(25万タイル、1回の買収)、マンスリー(12,500タイル、1年周期で12回の買収、30日以内に6回の買収)、バースト(16,666タイル、30日以内に6回の買収)の3つの一時的な体制に分割され、TACO v3 Parquetメタデータによってインデックス付けされたCloud Optimized GeoTIFFsの6.3TBとしてリリースされている。 コンパニオンライブラリは、これらのレイヤから、センサータグ付きファクトシート、キャプション、16ファミリーの視覚言語タスクをロード時に導出する。 我々は、OlmoEarth-Baseの短期事前トレーニングで設計選択をテストする。 まず、AlphaEarthを埋め込んだMajor-TOM Core-S2L2Aの25%のサブセットが、9つのベンチマークのうち8つのコーパスに一致または超える。 第2に、Elliot-Pretrainでは、Landsat-8/9が追加され、Sentinel-2はすべてのベンチマークでのみ事前トレーニングされる。 第3に、事前トレーニング中の予測ターゲットとしてDEMとWorldCoverを使用すると、さらに9つのベンチマークのうち8つが改善される。 第4に、Sentinel-1は9つのベンチマークのうち7つに役立つ。 第5に,ルールベースのキャプションは,小さな言語モデルに無償でマッチする。 データセットはhttps://source.coop/major-tom/elliot-pretrain.comで公開されている。

関連論文リスト

• WISE: A Lightweight, Weakly-Supervised Model for Onboard Fire Smoke Detection and Localization [55.18555004736124]
  WISE (Weakly-supervised Inference- efficient Smoke extract) は, 着火煙の検出と位置推定のための配置指向フレームワークである。 3つのモデル変種は平均推定時間0.10秒、0.14秒、0.26秒を達成し、オンボードの資源制限内でほぼリアルタイムなタイル当たりの推測を示す。 最もパフォーマンスの良い変種は平均タイルレベルF1スコアが0.964、平均ピクセルレベルF1スコアが10ランで0.750、パラメータが0.12Mで約3GFLOPである。
  論文  参考訳（メタデータ） (2026-09-16T07:00:48Z)
• OlmoEarth: Stable Latent Image Modeling for Multimodal Earth Observation [68.10925029626709]
  オルモアース(OlmoEarth)は、地球観測領域向けに設計された、多モードでシーケンシャルな基礎モデルである。 OlmoEarthは12のファンデーションモデルと比較して最先端のパフォーマンスを実現している。 我々はOlmoEarthを、データ収集、ラベル付け、トレーニング観察、地球観測モデルの推測のためのエンドツーエンドプラットフォームのバックボーンとして配置する。
  論文  参考訳（メタデータ） (2025-11-17T18:06:26Z)
• Transfer Learning for Onboard Cloud Segmentation in Thermal Earth Observation: From Landsat to a CubeSat Constellation [0.9836024351782049]
  この研究は、軽量なMobileNetエンコーダを備えたUNetを用いて、FOEST-2 CubeSatの熱クラウドセグメンテーションに変換学習を適用する。 我々は、パブリックなLandsat-7クラウドカバレッジアセスメントデータセットでモデルを事前トレーニングし、少数のミッション固有のサンプルで微調整する。 我々は、このモデルをaRTエンジンに変換し、NVIDIA Jetson Nano上で5秒未満でフルイメージの推論を実演する。
  論文  参考訳（メタデータ） (2025-11-01T01:59:16Z)
• 8-Calves Image dataset [0.8233028449337972]
  マルチアニマル検出、追跡、識別のための挑戦的なベンチマークである8-Calvesデータセットを紹介した。 バーに8匹のホルスタイン・フリーズ人の子牛の1時間のビデオが映し出され、頻繁にオクルージョン、動きのぼやけ、さまざまなポーズが収められている。 微調整されたYOLOv8検出器とByteTrackを使った半きめのパイプラインと手作業による修正により、537,000以上のバウンディングボックスと時間的アイデンティティラベルが提供される。
  論文  参考訳（メタデータ） (2025-03-17T23:47:52Z)
• ET-Former: Efficient Triplane Deformable Attention for 3D Semantic Scene Completion From Monocular Camera [53.20087549782785]
  本稿では,単一単眼カメラを用いたセマンティックシーン補完のための新しいエンドツーエンドアルゴリズムET-Formerを紹介する。 本手法は,単一のRGB観測からセマンティック占有マップを生成すると同時に,セマンティック予測のための不確実性推定を行う。
  論文  参考訳（メタデータ） (2024-10-14T19:14:49Z)
• SSL4EO-L: Datasets and Foundation Models for Landsat Imagery [8.34029977985994]
  ランドサット計画 (Landsat program) は、過去最長の地球観測計画であり、8つの衛星による50年以上のデータ取得である。 深層学習やリモートセンシングの普及にもかかわらず、ほとんどの研究者はランドサットの画像解析に決定木とランダムな森林を使っている。 本稿では,ランドサット衛星群を対象としたセルフ・スーパーバイザード・ラーニング・フォー・アース・オブ・オブ・アース・オブ・ザ・観察のために設計された最初のデータセットであるSSL4EO-Lを紹介する。
  論文  参考訳（メタデータ） (2023-06-15T18:11:20Z)
• HyperMODEST: Self-Supervised 3D Object Detection with Confidence Score Filtering [9.14477900515147]
  現在のLiDARベースの自律走行用3Dオブジェクト検出器は、ほとんど完全に人間の注釈付きデータに基づいて訓練されている。 MODESTはラベルなしで3Dオブジェクト検出器を訓練する最初の試みである。 本稿では,自己学習プロセスを大幅に高速化し,特定のデータセットのチューニングを必要としない普遍的手法を提案する。
  論文  参考訳（メタデータ） (2023-04-27T18:12:11Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• Pit30M: A Benchmark for Global Localization in the Age of Self-Driving Cars [39.94419250485135]
  Pit30Mは3000万フレームを超える新しい画像とLiDARデータセットで、これは以前の研究の10倍から100倍の大きさだ。 Pit30Mは様々な条件(季節、天気、日時、交通量)で捕獲され、正確な位置決めの真実を提供する。 我々は、画像とLiDAR検索のための既存の複数の手法をベンチマークし、その過程で、単純で効果的な畳み込みネットワークに基づくLiDAR検索手法を導入する。
  論文  参考訳（メタデータ） (2020-12-23T01:24:41Z)

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。