論文の概要: Accuracy and efficiency of compact foundation models for surface-water mapping during floods

• arxiv url: http://arxiv.org/abs/2610.34904v1
• Date: Mon, 26 Oct 2026 06:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.772785
• Title: Accuracy and efficiency of compact foundation models for surface-water mapping during floods
• Title（参考訳）: 洪水時の地下水マッピングのためのコンパクト基礎モデルの精度と効率性
• Abstract要約: 事前の地球観測モデルでは、地表の水をマッピングするのに要する労力を削減できるが、その価値は比較される代替手段に依存する。 Sen1Floods11における11回の洪水イベントから446個の手札付きSentinel-2チップを用いてPrithvi-EO-2.0-Tinyを評価した。 微調整のPrithvi-Tinyは512x512ピクセルのチップをGPUで16.1ミリ秒、ラップトップCPUで258ミリ秒処理し、U-Netで30.6ミリ秒、665ミリ秒処理した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained Earth observation models may reduce the effort needed to map surface water, but their value depends on the alternative against which they are compared. We evaluated Prithvi-EO-2.0-Tiny using the 446 hand-labeled Sentinel-2 chips from 11 flood events in Sen1Floods11. A fine-tuned model, a frozen-encoder model, and an identical randomly initialized architecture were compared with a similarly sized U-Net, a larger Prithvi model, and spectral-index thresholds. Experiments varied the number of training chips, excluded events from model fitting, and measured computational cost and prediction reliability. With 252 training chips, U-Net achieved a water intersection-over-union (IoU) of 0.856 on the official test set, compared with 0.833 for fine-tuned Prithvi-Tiny. Pretraining improved the tiny transformer over random initialization by a reported 0.046 IoU with 25 training chips and 0.023 with 252 chips, but did not reverse the U-Net ranking. Across 11 event-exclusion evaluations, mean IoU was 0.768 for fine-tuned Prithvi-Tiny and 0.777 for U-Net; the paired interval included zero. Fine-tuned Prithvi-Tiny processed a 512x512-pixel chip in 16.1 ms on a GPU and 258 ms on a laptop CPU, compared with 30.6 and 665 ms for U-Net. Errors were concentrated near water boundaries, and high predictive entropy identified many, but not all, erroneous pixels. These results support a specific role for compact pretrained models: lower measured computational demand with competitive accuracy, rather than consistent superiority. Event-dependent performance, shared hyperparameter selection, and the distinction between observed water and newly inundated land delimit the conclusions.
• Abstract（参考訳）: 事前の地球観測モデルでは、地表の水をマッピングするのに要する労力を削減できるが、その価値は比較される代替手段に依存する。 Sen1Floods11における11回の洪水イベントから446個の手札付きSentinel-2チップを用いてPrithvi-EO-2.0-Tinyを評価した。 微調整モデル、凍結エンコーダモデル、同一のランダム初期化アーキテクチャを、同じ大きさのU-Net、より大きなプリスヴィモデル、スペクトルインデクスしきい値と比較した。 実験では、トレーニングチップの数、モデルフィッティングからイベントを除外する、計算コストと予測信頼性を測定した。 U-Netは252個のトレーニングチップを搭載し、オフィシャルテストセットで0.856の水面交差結合(IoU)を達成した。 プリトレーニングは、25のトレーニングチップを持つ0.046 IoUと252のトレーニングチップを持つ0.023により、ランダム初期化よりも小さなトランスフォーマーを改善したが、U-Netランキングを逆転しなかった。 11回のイベント排他評価では、IoUは微調整のPrithvi-Tinyは0.768、U-Netは0.777であった。 微調整のPrithvi-Tinyは512x512ピクセルのチップをGPUで16.1ミリ秒、ラップトップCPUで258ミリ秒処理し、U-Netで30.6ミリ秒、665ミリ秒処理した。 誤差は水の境界付近に集中しており、高い予測エントロピーによって多くの不正確なピクセルが特定された。 これらの結果は、一貫した優位性ではなく、競争精度で測定された計算要求の低減という、コンパクトな事前訓練モデルに対する特定の役割を担っている。 結果, イベント依存性能, 共有パラメータ選択, 観測水と新たに浸水した土地の区別は, 結論を左右することがわかった。

関連論文リスト

• Cross-Architecture Foundation-Model Distillation for Edge Flood Segmentation [15.707382156342547]
  教師が指導する訓練は直接訓練と競合する。 教師が指導するプールを2500シーンに拡大すると、残りの生徒のギャップが狭まる。 固定修正正規化差分水指数(MNDWI)閾値は両モデルとも競合する。
  論文  参考訳（メタデータ） (2026-09-17T14:15:01Z)
• How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
  深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。 アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
  論文  参考訳（メタデータ） (2026-06-07T12:17:25Z)
• Evaluating PhaseNet on Teleseismic Data with MsPASS [1.3249509346606658]
  機械学習ピッカーのPhaseNetは, 局地的な地震信号に基づいて正確なPとSのピックを生成するが, その性能はテレサイスミック信号で著しく低下する。 本稿では,大規模地震アーカイブのためのスケーラブルなデータ作成と管理を可能にする再現可能なMsPASSワークフローを提案する。
  論文  参考訳（メタデータ） (2026-05-10T16:51:49Z)
• QCalEval: Benchmarking Vision-Language Models for Quantum Calibration Plot Understanding [37.18078731710843]
  量子キャリブレーションプロットのための最初のVLMベンチマークであるQCalEvalを紹介する。 超伝導量子ビットと中性原子にまたがる22の実験系から87種類のシナリオタイプにまたがる243試料について検討した。 最高の汎用ゼロショットモデルは平均スコア72.3に達し、多くのオープンウェイトモデルはマルチイメージのインコンテキスト学習で劣化する。
  論文  参考訳（メタデータ） (2026-04-28T17:28:33Z)
• GPU-Accelerated Optimization of Transformer-Based Neural Networks for Real-Time Inference [0.0]
  本稿では,混合精度最適化を用いたNVIDIARTを用いた変圧器モデルのためのGPU加速型推論パイプラインの設計と評価を行う。 このシステムはCPUベースラインの64.4倍のスピードアップ、シングルサンプル推論の10ms以下のレイテンシ、メモリ使用量の63%削減を実現している。
  論文  参考訳（メタデータ） (2026-03-30T17:27:33Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• To Compress or Not? Pushing the Frontier of Lossless GenAI Model Weights Compression with Exponent Concentration [46.63567524455431]
  低精度浮動小数点フォーマットは、遅延化オーバーヘッドを伴わずに安定性、メモリ節約、ハードウェア効率を提供する。 本稿では,エントロピー対応エンコーディングとGPU最適化デコーディングを備えた圧縮フレームワークであるExponent-Concentrated FP8(ECF8)を提案する。 LLMとDiTの最大671Bパラメータの実験では、最大26.9%のメモリ節約と177.1%のスループット加速が示されている。
  論文  参考訳（メタデータ） (2025-10-03T02:22:13Z)
• Two Scalable Approaches for Burned-Area Mapping Using U-Net and Landsat Imagery [39.91303506884272]
  本研究では,U-Netモデルに基づくバーン・エリアマッピングプロセスの自動化と最適化のための2つのアプローチを提案する。 研究領域の195の代表的な画像に基づくテストでは、ASモデルを用いたデータセットのバランスの向上により、より良いパフォーマンスが得られることが示された。
  論文  参考訳（メタデータ） (2023-11-29T05:42:25Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)

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。