GEO-Bench: Toward Foundation Models for Earth Monitoring

要約

自己監視の最近の進歩により、膨大な量の教師なしデータで大規模なニューラル ネットワークを事前トレーニングすると、下流タスクへの一般化が大幅に増加する可能性があることがわかりました。
このようなモデル (最近作られた基礎モデル) は、自然言語処理の分野に変革をもたらしました。
画像データ用のバリアントも提案されていますが、リモート センシング タスクへの適用は限られています。
地球モニタリングの基礎モデルの開発を促進するために、6 つの分類タスクと 6 つのセグメンテーション タスクで構成されるベンチマークを提案します。これらのタスクは、フィールドに関連し、モデル評価に適したものとなるように慎重に精選され、適合されています。
このベンチマークには、モデルを評価し、集計結果を報告するための堅牢な方法論が付属しており、信頼性の高い進捗状況の評価が可能です。
最後に、既存のモデルのパフォーマンスに関する情報を得るために、20 のベースラインの結果を報告します。
私たちは、このベンチマークがさまざまな地球監視タスク全体の進歩の推進力になると信じています。

要約(オリジナル)

Recent progress in self-supervision has shown that pre-training large neural networks on vast amounts of unsupervised data can lead to substantial increases in generalization to downstream tasks. Such models, recently coined foundation models, have been transformational to the field of natural language processing. Variants have also been proposed for image data, but their applicability to remote sensing tasks is limited. To stimulate the development of foundation models for Earth monitoring, we propose a benchmark comprised of six classification and six segmentation tasks, which were carefully curated and adapted to be both relevant to the field and well-suited for model evaluation. We accompany this benchmark with a robust methodology for evaluating models and reporting aggregated results to enable a reliable assessment of progress. Finally, we report results for 20 baselines to gain information about the performance of existing models. We believe that this benchmark will be a driver of progress across a variety of Earth monitoring tasks.

arxiv情報

著者 Alexandre Lacoste,Nils Lehmann,Pau Rodriguez,Evan David Sherwin,Hannah Kerner,Björn Lütjens,Jeremy Andrew Irvin,David Dao,Hamed Alemohammad,Alexandre Drouin,Mehmet Gunturkun,Gabriel Huang,David Vazquez,Dava Newman,Yoshua Bengio,Stefano Ermon,Xiao Xiang Zhu
発行日 2023-06-06 16:16:05+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG パーマリンク