SpectralGPT: Spectral Remote Sensing Foundation Model

要約

この基礎モデルは、自己教師ありの方法で視覚表現学習の分野に革命を起こす可能性があるため、最近大きな注目を集めています。
ほとんどの基礎モデルは、さまざまな視覚タスク用に RGB 画像を効果的に処理するように調整されていますが、特にリモート センシング (RS) アプリケーションにおいて、シーンを理解するための貴重な情報を提供するスペクトル データに焦点を当てた研究には顕著なギャップがあります。
このギャップを埋めるために、私たちは SpectralGPT という名前のユニバーサル RS 基礎モデルを初めて作成しました。このモデルは、新しい 3D 生成事前学習トランスフォーマー (GPT) を使用してスペクトル RS 画像を処理することを目的として構築されています。
既存の基礎モデルと比較して、SpectralGPT は 1) さまざまなサイズ、解像度、時系列、および領域の入力画像を漸進的なトレーニング形式で処理し、広範な RS ビッグ データを最大限に活用できるようにします。
2) 空間スペクトル結合のために 3D トークン生成を利用します。
3) マルチターゲット再構成によりスペクトル的に連続したパターンを捕捉します。
4) 100 万枚のスペクトル RS 画像でトレーニングし、6 億を超えるパラメータを持つモデルを生成します。
私たちの評価では、事前トレーニングされた SpectralGPT モデルによる大幅なパフォーマンスの向上が強調されており、単一/マルチラベル シーン分類、セマンティック セグメンテーション、および変更検出という 4 つの下流タスクにわたって、地球科学分野におけるスペクトル RS ビッグ データ アプリケーションを進歩させる大きな可能性が示されています。

要約(オリジナル)

The foundation model has recently garnered significant attention due to its potential to revolutionize the field of visual representation learning in a self-supervised manner. While most foundation models are tailored to effectively process RGB images for various visual tasks, there is a noticeable gap in research focused on spectral data, which offers valuable information for scene understanding, especially in remote sensing (RS) applications. To fill this gap, we created for the first time a universal RS foundation model, named SpectralGPT, which is purpose-built to handle spectral RS images using a novel 3D generative pretrained transformer (GPT). Compared to existing foundation models, SpectralGPT 1) accommodates input images with varying sizes, resolutions, time series, and regions in a progressive training fashion, enabling full utilization of extensive RS big data; 2) leverages 3D token generation for spatial-spectral coupling; 3) captures spectrally sequential patterns via multi-target reconstruction; 4) trains on one million spectral RS images, yielding models with over 600 million parameters. Our evaluation highlights significant performance improvements with pretrained SpectralGPT models, signifying substantial potential in advancing spectral RS big data applications within the field of geoscience across four downstream tasks: single/multi-label scene classification, semantic segmentation, and change detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google