論文の概要: TerraMesh-Masks: Open-Vocabulary Segmentation for Earth Observation
- arxiv url: http://arxiv.org/abs/2611.08081v1
- Date: Thu, 05 Nov 2026 14:31:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.537502
- Title: TerraMesh-Masks: Open-Vocabulary Segmentation for Earth Observation
- Title（参考訳）: TerraMesh-Masks:地球観測のためのオープンボキャブラリセグメンテーション
- Abstract要約: Open-vocabulary segmentation (OVS)により、モデルは自然言語で定義された様々な概念をセグメント化できる。
近年のOVSアプローチは、自然画像に強い性能を示すが、地球観測(EO)データにはあまり寄与しない。
EOのための大規模オープン語彙セグメンテーションデータセットであるTerraMesh-Masksを紹介する。
私たちはデータセットをhttps://huggingface.co/datasets/ibm-esa-geospatial/TerraMesh-Masksでパーミッシブライセンスで公開しています。
- 参考スコア（独自算出の注目度）: 24.50677545168853
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Open-vocabulary segmentation (OVS) enables models to segment a variety of concepts specified in natural language, removing the need for fixed label sets and fine-tuning. While recent OVS approaches have shown strong performance on natural images, they transfer poorly to Earth observation (EO) data due to differing semantics, scales, sensing modality, and geographic context. To date, large-scale EO-specific datasets and benchmarks for OVS remain scarce. We, therefore, introduce TerraMesh-Masks, a large-scale open-vocabulary segmentation dataset for EO, comprising 16 million binary masks aligned with nine million multimodal TerraMesh samples and annotated using OpenStreetMap and Overture-derived semantics. In addition, we provide an expert-reviewed evaluation set of 523 samples covering over 200 classes to enable robust evaluation. To demonstrate the impact of TerraMesh-Masks, we build an open-vocabulary version of TerraMind. Our results demonstrate significantly improved performance over general-purpose state-of-the-art models reaching 35.18% IoU versus 16.29% for DINOv3.txt and 11.33% for SAM-3. We release the dataset publicly under a permissive license at https://huggingface.co/datasets/ibm-esa-geospatial/TerraMesh-Masks.
- Abstract（参考訳）: Open-vocabulary segmentation (OVS)により、モデルは自然言語で指定されたさまざまな概念をセグメント化でき、固定されたラベルセットや微調整を必要としない。
近年のOVSアプローチは、自然画像上での強い性能を示す一方で、意味論、スケール、知覚モダリティ、地理的文脈の違いにより、地球観測(EO)データへの転送が不十分である。
今のところ、OVS用の大規模なEO固有のデータセットとベンチマークは少ない。
そこで我々は,EOのための大規模オープン語彙セグメンテーションデータセットであるTerraMesh-Masksを紹介した。
さらに,200以上のクラスをカバーする523個のサンプルを専門家レビューで評価し,ロバストな評価を可能にする。
TerraMesh-Masksの影響を実証するために,TerraMindのオープン語彙バージョンを構築した。
その結果,DINOv3.txtは16.29%,SAM-3は11.33%であった。
私たちはデータセットをhttps://huggingface.co/datasets/ibm-esa-geospatial/TerraMesh-Masksでパーミッシブライセンスで公開しています。
関連論文リスト
- OpenEarth-OVS44: A Multimodal Remote Sensing Dataset for Open-Vocabulary Segmentation [28.72619366171209]
リモートセンシングでは、オープン語彙セグメンテーションは多様な地域にわたって柔軟でスケーラブルな土地被覆理解のために重要である。
提案するOpenEarth-OVS44は,2,832枚のRGB画像と1,341枚の厳密に登録されたRGB-SARペアから,290,587個の専門家検証セグメントを持つマルチモーダルベンチマークである。
代表的なオープンボキャブラリセグメンテーションモデルの実験では、未確認のカテゴリでは7.1 mIoU点、観察されたカテゴリでは27.6 mIoU点の改善が示されている。
論文 参考訳（メタデータ） (2026-10-21T12:25:26Z) - Towards Realistic Open-Vocabulary Remote Sensing Segmentation: Benchmark and Baseline [52.65099689153431]
オープンボキャブラリリモートセンシングイメージセグメンテーション(OVRSIS)は、データセットの断片化、トレーニングの多様性の制限、評価ベンチマークの欠如などにより、まだ探索されていない。
我々はOVRSISの大規模かつアプリケーション指向のベンチマークである textitOVRSISBenchV2 を提案する。
以上の結果から,リアルなベンチマーク設計の重要性と,OVRSISの摂動型転送の有効性が示唆された。
論文 参考訳（メタデータ） (2026-04-17T02:49:46Z) - CrossEarth-SAR: A SAR-Centric and Billion-Scale Geospatial Foundation Model for Domain Generalizable Semantic Segmentation [51.94680303125737]
我々は、新しい物理誘導型スパース・オブ・エキスパート(MoE)アーキテクチャに基づいて構築された、最初の10億ドル規模のSARビジョン基盤モデルであるCrossEarth-SARを紹介する。
大規模な事前トレーニングを容易にするために,公共およびプライベートなSAR画像を統合する弱く完全に教師付きデータセットであるCrossEarth-SAR-200Kを開発した。
また、8つの異なる領域ギャップをまたいだ22のサブベンチマークからなるベンチマークスイートを導入し、SAR画像上でのドメイン一般化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最初の統一標準を確立した。
論文 参考訳（メタデータ） (2026-03-12T14:52:35Z) - TerraMesh: A Planetary Mosaic of Multimodal Earth Observation Data [3.674991996196602]
TerraMeshは、光、レーダー、高度、開口、ランドレディのモダリティをData-Readyフォーマットで組み合わせた、グローバルに多様なマルチモーダルデータセットである。
本研究では,TerraMeshで事前学習した際のモデル性能の向上を示す詳細なデータ処理手順,包括的統計,実証的証拠を提供する。
論文 参考訳（メタデータ） (2025-04-15T13:20:35Z) - EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳（メタデータ） (2025-01-14T13:42:22Z) - 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)
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。