Evaluating and Benchmarking Foundation Models for Earth Observation and Geospatial AI

要約

ターゲット アプリケーションごとに所定の高いパフォーマンス精度を指定して複数の問題を共同で解決することに主な関心がある場合は、ほとんどの場合、問題固有のモデルではなく基盤モデルを使用する必要があります。
私たちは、地球観測 (EO) および地理空間 AI のための基礎モデルの特定のコンピューター ビジョン アプリケーションに焦点を当てています。
これらのモデルは、土地被覆分類、作物タイプのマッピング、洪水のセグメンテーション、建物密度の推定、道路回帰セグメンテーションなど、私たちが取り組んでいる重要な問題を解決できます。
この論文では、限られた数のラベル付きデータに対して、基礎モデルが問題固有のモデルと比較してパフォーマンスの向上を達成することを示します。
この作業では、EO の基盤モデルに対して提案する評価ベンチマークも示します。
最近提案されている多くの異なるモデル間で公正な比較を標準化することが困難になっているため、基礎モデルの一般化パフォーマンスのベンチマークを行うことが重要です。
EO 基盤モデルの評価ベンチマークを使用した結果を示し、基盤モデルが下流タスクでラベル効率が高く、EO とリモート センシングで取り組んでいる問題の解決に役立つことを示します。

要約(オリジナル)

When we are primarily interested in solving several problems jointly with a given prescribed high performance accuracy for each target application, then Foundation Models should for most cases be used rather than problem-specific models. We focus on the specific Computer Vision application of Foundation Models for Earth Observation (EO) and geospatial AI. These models can solve important problems we are tackling, including for example land cover classification, crop type mapping, flood segmentation, building density estimation, and road regression segmentation. In this paper, we show that for a limited number of labelled data, Foundation Models achieve improved performance compared to problem-specific models. In this work, we also present our proposed evaluation benchmark for Foundation Models for EO. Benchmarking the generalization performance of Foundation Models is important as it has become difficult to standardize a fair comparison across the many different models that have been proposed recently. We present the results using our evaluation benchmark for EO Foundation Models and show that Foundation Models are label efficient in the downstream tasks and help us solve problems we are tackling in EO and remote sensing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google