論文の概要: Adaptive Land Units from Earth Embeddings

• arxiv url: http://arxiv.org/abs/2611.01050v1
• Date: Sat, 31 Oct 2026 15:44:00 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:17:24.424749
• Title: Adaptive Land Units from Earth Embeddings
• Title（参考訳）: 地球埋没地からの適応型土地単位
• Abstract要約: 並列ベイズ階層クラスタリングによるAlphaEarthの埋め込みを適応的な陸地ユニットにクラスタリングする。 デンマークをケーススタディとして、402万のランドピクセルを1.27万の新たに定義された単位に変換します。 これらの単位は土地をよく表しており、通常の格子は土地利用ラベルと一致する細胞数が約5倍必要であり、全ての畑の宣言された作物に対して約4倍必要である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Modeling land use starts with a choice of spatial units, typically a regular grid of pixels whose resolution is set by the spatial detail the process requires and, often more critically, by the computational budget. With Earth observation data more abundant than ever, we ask whether good land units can instead emerge from the data itself. To do that, we cluster AlphaEarth embeddings with a parallel Bayesian hierarchical clustering into adaptive land units, large where the land is uniform and small where it is highly heterogeneous. Using Denmark as a case study, we turn 402M land pixels into 1.27M newly defined units, about 320 times fewer, without any labels (i.e., unsupervised), making it possible to fit the whole country on a single consumer-grade GPU. Importantly, these units describe the land well, as a regular grid needs about 5 times as many cells to match them against land-use labels, and about 4 times as many against the declared crop of every field. Compared to clustering the satellite images themselves, the embeddings need half the units for the same purity. But more notably, they work as modeling units. Land-use maps learned on them are within a few points of accuracy of pixel models at a small fraction of the cost, and they make whole-country land-use estimates with reliable uncertainty possible in under a minute, where the same model on pixels does not even fit in device memory.
• Abstract（参考訳）: 土地利用のモデル化は、通常、そのプロセスに必要な空間的詳細によって解像度が設定され、計算予算によってより重要となるような、通常のピクセルグリッドの空間単位の選択から始まる。 地球観測データがこれまで以上に豊富であることから、良い土地単位がデータそのものから生まれるかどうかを問う。 そのために、AlphaEarthの埋め込みを並列なベイズ階層のクラスタリングでクラスタリングし、適応的な土地単位に分類した。 デンマークをケーススタディとして、402Mのランドピクセルを1.27Mの新たに定義された単位に変換します。 重要なことに、これらのユニットは土地をうまく表現しており、通常のグリッドは土地利用ラベルに合わせるのに約5倍の細胞を必要とし、すべての畑の宣言された作物に対して約4倍の細胞を必要とする。 衛星画像自体のクラスタリングと比較すると、埋め込みには同じ純度で半分のユニットが必要である。 しかし、より注目すべきは、モデリングユニットとして機能することだ。 それらで得られた土地利用地図は、ほんの少しのコストでピクセルモデルの精度のほんの数ポイント以内であり、同じピクセル上のモデルがデバイスメモリに収まらない場合の1分以内で、安定した不確実性のある国全体の土地利用推定を行う。

関連論文リスト

• Scaling Image Geo-Localization to Continent Level [48.7766435870634]
  本稿では,大陸規模を拡大する大規模地形をまたいだ微粒な地理的局在化を実現するためのハイブリッドアプローチを提案する。 我々は、訓練中にプロキシ分類タスクを利用して、正確な位置情報を暗黙的にエンコードするリッチな特徴表現を学習する。 我々の評価は,ヨーロッパの大部分をカバーするデータセットのクエリの68%以上を200m以内でローカライズできることを示す。
  論文  参考訳（メタデータ） (2025-10-30T17:59:35Z)
• EarthCrafter: Scalable 3D Earth Generation via Dual-Sparse Latent Diffusion [23.3834795181211]
  Aerial-Earth3Dは、これまでで最大の3D空中データセットで、アメリカ本土で撮影された50万のキュレートされたシーン(それぞれ600m×600m)で構成されています。 各シーンは、ポーズアノテートされたマルチビューイメージ、深度マップ、ノーマル、セマンティックセグメンテーション、カメラのポーズを提供し、地形の多様性を保証するための明確な品質制御を提供する。 我々は,スパースデカップリング型潜水拡散による大規模3次元地球生成に適したフレームワークであるEarthCrafterを提案する。
  論文  参考訳（メタデータ） (2025-07-22T12:46:48Z)
• Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
  GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。 本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。 我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
  論文  参考訳（メタデータ） (2023-06-06T21:27:08Z)
• Inspecting the Geographical Representativeness of Images from Text-to-Image Models [52.80961012689933]
  本研究では,27カ国540人の参加者からなるクラウドソーシング調査を用いて,生成された画像の地理的代表性を測定した。 国名のない故意に特定されていない入力に対して、生成された画像は、主にアメリカの周囲を反映しており、その後インドが続く。 多くの国でのスコアは依然として低いままで、将来のモデルがより地理的に包括的である必要性を強調している。
  論文  参考訳（メタデータ） (2023-05-18T16:08:11Z)
• Enabling Country-Scale Land Cover Mapping with Meter-Resolution Satellite Imagery [42.70832378336697]
  高解像度衛星画像は、土地被覆分類のための豊富な詳細な空間情報を提供することができる。 大規模に詳細なカテゴリのランドカバーマッピングに高解像度画像を適用した研究はほとんどない。 本稿では,50億画素以上の高解像度Gaofen-2(4m)衛星画像を含む大規模ランドカバー・データセットであるFive-Billion-Pixelsを提案する。
  論文  参考訳（メタデータ） (2022-09-01T21:00:23Z)
• Fast building segmentation from satellite imagery and few local labels [4.46034200978842]
  非常に高解像度の衛星画像で建物セグメンテーション問題を解決するために,驚くほど少ないラベルが必要であることを示す。 たった527個のスパースポリゴンアノテーションでトレーニングした最良のモデルは、200×200メートルの窓に建つ建物数を数える作業において、足跡の保持よりも0.87個、R2が0.93個をリコールしています。 ヨルダンのアムマンの高分解能画像にモデルを適用し,都市変動検出の事例研究を行った。
  論文  参考訳（メタデータ） (2022-06-10T23:39:21Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Semi-Supervised Semantic Segmentation in Earth Observation: The MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
  我々は,地球観測における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のための新しい大規模データセット,MiniFranceスイートを紹介した。 MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。 外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
  論文  参考訳（メタデータ） (2020-10-15T15:36:58Z)
• Image segmentation via Cellular Automata [58.86475603234583]
  我々は高解像度画像のセグメンテーションを成功させるセルオートマトンを設計し、訓練する。 私たちの最小のオートマトンは、複雑なセグメンテーションタスクを解決するために1万以下のパラメータを使用します。
  論文  参考訳（メタデータ） (2020-08-11T19:04:09Z)

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。