論文の概要: Predicting the Needle in a Petabyte Scale Haystack: Open-Vocabulary Event Anticipation in Satellite Imagery
- arxiv url: http://arxiv.org/abs/2611.16000v1
- Date: Wed, 11 Nov 2026 20:58:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.272326
- Title: Predicting the Needle in a Petabyte Scale Haystack: Open-Vocabulary Event Anticipation in Satellite Imagery
- Title(参考訳): 1ペタバイト規模のヘイスタックにおける針の予測:衛星画像における開語彙イベント予測
- Abstract要約: 我々は地球上の衛星画像に基づいて,地球規模のイベント予測モデルを構築した。
我々のモデルは93.5%の最大F1スコアで変化を検知し、予測されたイベント検索のベースライン3.6倍を上回ります。
我々のモデルでは、完成の9ヶ月前の3日間の中央値誤差で完了日を予測している。
- 参考スコア(独自算出の注目度): 27.979032884401278
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Satellite constellations now image the Earth daily, capturing the lifecycle of events from deforestation to urban construction. Anticipating these events before completion enables timely intervention, yet existing systems cannot jointly identify where a change occurs, what it will become, and when it will finish across an open vocabulary. Building such a model requires diverse event data, but events are like needles in a haystack, making manual annotation at global scale infeasible. We address this problem by representing change as the vector difference between vision-language model embeddings at distinct time points. This arithmetic approach allows us to search for semantic transformations directly in the latent space, enabling (1) an automated data engine for global event discovery without manual annotation and (2) the largest global satellite event dataset to our knowledge, comprising 21,000+ locations across 64+ event types with ~2M images from PlanetScope and Sentinel-2 spanning six continents, to train (3) a novel global-scale event anticipation model. Our model detects change with a 93.5% max F1 score, outperforms baselines 3.6x on predicted event retrieval, and forecasts completion dates with a 3-day median error, even nine months before completion. Code: https://github.com/ShreelekhaR/predicting-the-needle
- Abstract(参考訳): 衛星の星座は毎日地球を撮影し、森林破壊から都市建設までのイベントのライフサイクルを捉えている。
完了前にこれらのイベントを予想することは、タイムリーな介入を可能にするが、既存のシステムは、変更の発生場所、それが何になるか、そしてそれがいつオープンな語彙で終わるかを、共同で特定することはできない。
このようなモデルを構築するにはさまざまなイベントデータが必要ですが、イベントは干し草スタック内の針のようなもので、世界規模で手動のアノテーションが実現不可能になります。
本稿では,異なる時点における視覚言語モデル埋め込みのベクトル差として変化を表現することで,この問題に対処する。
この算術的アプローチにより,(1)手動のアノテーションを使わずに,グローバルなイベント発見のための自動データエンジン,(2)64以上のイベントタイプにまたがる21,000以上の場所と,6大陸にまたがるPlanetScopeとSentinel-2の約2Mのイメージを含む,私たちの知識に対する最大のグローバルな衛星イベントデータセットを探索し,(3)新しいグローバルスケールのイベント予測モデルを訓練することができる。
本モデルでは, 最大F1得点93.5%で変化を検出し, 予測イベント検索のベースライン3.6倍, 完了日を3日間の中央値誤差で予測し, 完了9ヶ月前まで予測する。
コード:https://github.com/ShreelekhaR/predicting-the-needle
関連論文リスト
- Multi-viewpoint Geo-localization with Event Cameras [16.19859440386601]
イベントカメラは、ロボティクスへの関心が高まり、採用が増えている。
視点分散の処理は、既存のイベントベースローカライザの未検討の問題である。
本稿では、視点変化下で頑健に機能するイベントベースの視覚的位置認識(VPR)システムを提案する。
論文 参考訳(メタデータ) (2026-09-18T02:06:34Z) - OmniEvent: Unified Event Representation Learning [20.211879134897618]
イベントネットワークは、非構造化データ分布と空間時空間(S-T)の不均一性のため、タスク固有の設計に大きく依存している。
我々は,OmniEventを提案する。OmniEventは,多様なタスクにまたがってSOTAのパフォーマンスを実現する,最初の統合されたイベント表現学習フレームワークである。
論文 参考訳(メタデータ) (2025-08-03T16:56:36Z) - Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。
イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
論文 参考訳(メタデータ) (2024-03-05T01:46:50Z) - EventBind: Learning a Unified Representation to Bind Them All for Event-based Open-world Understanding [7.797154022794006]
EventBindは、イベントベースの認識のためのビジョン言語モデル(VLM)の可能性を解き放つ新しいフレームワークである。
まず、イベントからの時間情報を微妙にモデル化する新しいイベントエンコーダを紹介する。
次に、コンテントプロンプトを生成し、ハイブリッドテキストプロンプトを利用してEventBindの一般化能力を向上するテキストエンコーダを設計する。
論文 参考訳(メタデータ) (2023-08-06T15:05:42Z) - GLEN: General-Purpose Event Detection for Thousands of Types [80.99866527772512]
汎用的なイベント検出データセットGLENを構築し、205Kイベントの参照を3,465種類の異なるタイプでカバーしています。
GLENはオントロジーにおいて、今日の最大のイベントデータセットよりも20倍大きい。
また,GLENの大規模化に特化して設計された多段階イベント検出モデルCEDARを提案する。
論文 参考訳(メタデータ) (2023-03-16T05:36:38Z) - PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。
型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
論文 参考訳(メタデータ) (2022-02-15T18:01:39Z) - Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。
我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
論文 参考訳(メタデータ) (2021-09-13T20:50:37Z)
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。