論文の概要: UniFlow-RS: Unified Generative Prediction for Heterogeneous Remote-Sensing Tasks
- arxiv url: http://arxiv.org/abs/2611.14281v2
- Date: Thu, 12 Nov 2026 07:33:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.91429
- Title: UniFlow-RS: Unified Generative Prediction for Heterogeneous Remote-Sensing Tasks
- Title(参考訳): UniFlow-RS:不均一リモートセンシングタスクの統一生成予測
- Abstract要約: リモートセンシングタスク間で1つの遅延フローマッチング予測器を共有可能であることを示す。
また、目に見えないデータセット、タスク設定、および近赤外線偽色画像間で強力なゼロショット転送を示す。
UniFlow-RSは6つのタスクと13のデータセットを処理する。
- 参考スコア(独自算出の注目度): 59.92818368338565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote-sensing foundation models increasingly unify representations across sensing modalities and downstream tasks, yet their prediction mechanisms remain largely task-specific. Separate decoders, prediction heads, and objectives leave prediction fragmented across tasks. This naturally raises a question: can heterogeneous remote-sensing tasks share the prediction process? UniFlow-RS answers this question with a single latent flow-matching predictor shared across tasks. This requires addressing two key challenges: unifying heterogeneous prediction spaces and harmonizing joint optimization across tasks. First, we cast heterogeneous task outputs into structured visual targets in a common latent space, allowing them to be modeled by the same pretrained flow predictor. Task-dependent conditioning further accommodates differences in input configurations. Second, we optimize all tasks with a common Flow Matching objective, eliminating task-specific prediction losses. To mitigate optimization mismatch across tasks and modalities, we introduce Task-Modality Adaptive Timestep Sampling (TMAS), which dynamically allocates training timesteps according to the online learning state of each task-modality group. Using a single shared model, UniFlow-RS handles six tasks and thirteen datasets, surpassing recent task-specific state-of-the-art methods on several benchmarks while remaining competitive on the others. Beyond these benchmarks, the same checkpoint demonstrates strong zero-shot transfer across unseen datasets, task settings, occlusion conditions, and near-infrared false-color imagery, without target-specific adaptation. Codes are available at https://github.com/MindVision-AI/UniFlow-RS.
- Abstract(参考訳): リモートセンシング基礎モデルは、センシングのモダリティと下流タスクの間で表現を統一する傾向にあるが、その予測メカニズムはほとんどタスク固有のままである。
分離されたデコーダ、予測ヘッド、目的はタスク間で予測を断片化する。
異種リモートセンシングタスクは予測プロセスを共有することができるのか?
UniFlow-RSはこの質問に答え、タスク間で共有される1つの遅延フローマッチング予測器で答える。
これは、不均一な予測空間の統一とタスク間の共同最適化の調和という、2つの主要な課題に対処する必要がある。
まず,不均一なタスク出力を共通潜時空間の構造化された視覚的目標に投入し,事前学習したフロー予測器でモデル化する。
タスク依存条件付けは入力構成の違いをさらに許容する。
第2に、タスク固有の予測損失を排除し、共通フローマッチングの目的で全てのタスクを最適化する。
タスクとモダリティ間の最適化ミスマッチを軽減するために,各タスク・モダリティグループのオンライン学習状況に応じて,トレーニングタイムステップを動的に割り当てるタスク・モダリティ適応時間サンプリング(TMAS)を導入する。
単一の共有モデルを使用して、UniFlow-RSは6つのタスクと13のデータセットを処理する。
これらのベンチマーク以外にも、同じチェックポイントは、ターゲット固有の適応なしに、目に見えないデータセット、タスク設定、閉塞条件、および近赤外線偽色画像間で強力なゼロショット転送を示す。
コードはhttps://github.com/MindVision-AI/UniFlow-RSで公開されている。
関連論文リスト
- Unlocking the Potential of Vision Foundation Models for Multi-Task Dense Prediction via Mixture of Task Adapters [69.94454603308196]
マルチタスク密度予測は、識別的意味認識と正規化幾何学/推論をサポートする単一の表現を求める。
凍結したDINOv3バックボーン内でこれらの役割を明示的に分解するタスクアダプタの混合体であるD2MoEを提案する。
実験は、この構造的因子化が、訓練可能な足跡を小さくして、堅牢なマルチタスクの改善をもたらすことを実証している。
論文 参考訳(メタデータ) (2026-11-02T08:47:07Z) - IntHQ: Task-Interactive Hierarchical Query on Dual-Stream Representations for Generative Recommendation [20.546679348797905]
既存のマルチタスクは本質的に3倍の崩壊を起こしやすいことを示す。
InHQは3つのコンポーネントを持つマルチタスク生成レコメンデータで、1つの崩壊を緩和する。
オフライン評価では、InHQは4つの代表的なタスクヘッド構成の下で、競争力のあるバックボーンを一貫して上回っている。
論文 参考訳(メタデータ) (2026-08-10T14:13:47Z) - Unified Video Dense Prediction from Disjoint Data [71.9957801898161]
深度,表面正規度,セマンティックセグメンテーション,境界,人的部分,アルベド,シェーディング,素材の8つの密集したシーン特性を共同で予測する統合ビデオモデルUniDを紹介する。
本稿では,タスクプロジェクタを介し,タスク毎の専門家が統一されたバックボーンを監督する簡易かつ効果的な蒸留手順を提案する。
UniDは、タスクごとのスペシャリストやマルチタスクベースラインと競合するパフォーマンスを実現している。
論文 参考訳(メタデータ) (2026-07-23T17:59:50Z) - Training-free Task Classification for Multi-Task Model Merging [15.100638024422741]
以前の研究は主に1つのマージされたモデルを見つけることに焦点を当てていたが、パラメータ干渉のため、個々の専門家を過小評価することが多い。
各テスト入力に対して、トレーニング不要なタスク分類としてルーティングを定式化する。
SiMはマージモデルのパフォーマンスを大幅に改善し、個別のタスクエキスパートへのギャップを一貫して狭めます。
論文 参考訳(メタデータ) (2026-06-21T16:51:29Z) - Distributionally Robust Multi-Task Reinforcement Learning via Adaptive Task Sampling [11.13427204975652]
マルチタスク強化学習は、複数のタスクにまたがるパフォーマンスを効率的に最適化するために、単一のエージェントを訓練することを目的としている。
すべてのタスクを共同で最適化することは、しばしば不均衡な学習をもたらす:エージェントはすぐに簡単なタスクを解決しますが、より難しいタスクについてゆっくりと学習します。
標準MTRLは、各タスクに同じ数の環境相互作用を割り当て、データを簡単にタスクに過度に割り当てる。
DRATSは、サンプリングタスクが解決されないように適応的に優先順位付けするアルゴリズムである。
論文 参考訳(メタデータ) (2026-05-14T04:22:24Z) - Exposing and Addressing Cross-Task Inconsistency in Unified
Vision-Language Models [80.23791222509644]
一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。
最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。
本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
論文 参考訳(メタデータ) (2023-03-28T16:57:12Z) - Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。
マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。
タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
論文 参考訳(メタデータ) (2021-04-28T16:45:56Z) - Conditional Channel Gated Networks for Task-Aware Continual Learning [44.894710899300435]
畳み込みニューラルネットワークは、一連の学習問題に最適化された場合、破滅的な忘れを経験する。
本稿では,この問題に条件付き計算で対処する新しい枠組みを提案する。
提案手法を4つの連続学習データセットで検証する。
論文 参考訳(メタデータ) (2020-03-31T19:35:07Z)
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。