arXiv 2507.19530
초록 정보가 없습니다.
이 이메일 도메인이 관측된 논문 3건
초록 정보가 없습니다.
A PyTorch Library for Hyperspectral Image Models: Technical Report
초분광 원격 탐사는 분광-공간 CNN, Vision Transformer, Mamba, 그래프 신경망(GNN), Kolmogorov-Arnold 네트워크, 자기지도 마스크 오토인코딩을 포함한 다양한 심층 학습(deep learning) 패러다임 전반에서 발전해 왔습니다. 그러나 분산된 저장소, 호환되지 않는 텐서(tensor) 규칙, 비표준화된 평가 방식으로 인해 여전히 진전이 저해되고 있습니다. Hyperspectral Image Models는 공통 레지스트리, 자동 4D/5D 텐서 적응, 표준화된 생성자를 통해 6개 패러다임에 걸친 55개 대표 모델을 통합하는 모듈형 프레임워크로 이러한 과제를 해결합니다. 이 라이브러리는 항공(Airborne), 위성(Spaceborne), UAV, 화성 CRISM 센서의 24개 벤치마크 씬을 통합하며, 캐싱, 레이블 재매핑, PCA, 명시적 밴드 선택 또는 원시 스펙트럼, 선택적 공간 맥스 풀링(pooling), 임의의 PxP 패치 추출을 지원합니다. 겹치는 윈도우로 인한 정확도 과대를 방지하기 위해, 클래스 균형 무작위 분할과 학습-테스트 픽셀 중첩을 제거하는 체비쇼프 가드 밴드(Chebyshev guard band) 기반의 공간적으로 분리된 영역 블로킹을 지원합니다. 실험은 결정론적 시드와 완전한 출처 추적 기능을 갖춘 단일 설정을 사용하여 LaTeX 벤치마크 표와 분류(classification) 맵을 생성합니다. 1,320회의 모델-씬 평가와 6,600회의 시드 기반 실행 결과, 패러다임 평균 간의 차이가 15%p인 것에 비해 평균 정확도가 Botswana의 96.40%에서 Houston 2018의 56.70%에 이르러 아키텍처보다 씬 난이도가 지배적인 영향을 미치는 것으로 나타났습니다. 어떤 패러다임도 보편적으로 우세하지 않았으며, 1M 미만 매개변수(parameter) 모델이 두 자릿수(orders of magnitude) 더 큰 아키텍처와 대등한 성능을 보일 수 있었습니다. 코드는 https://github.com/Tanishq251/Hyperspectral-Image-Models 에서 공개되어 있습니다.
Cryo-Bench: Benchmarking Foundation Models for Cryosphere Mapping
지리공간 파운데이션 모델(Geo-Foundation Models, GFM)은 다양한 지구 관측 작업과 영역에서 평가되며 희소한 라벨 환경에서도 신뢰할 수 있는 지도를 생성할 수 있는 강력한 잠재력을 입증해 왔습니다. 그러나 적합한 평가 데이터셋이 부족하다는 점 때문에 빙권(Cryosphere) 응용 분야에 대한 GFM의 체계적인 벤치마킹은 여전히 제한적이었습니다. 본 연구에서는 빙하 상부 쇄설물(supraglacial debris), 두 가지 감지 구성을 갖춘 빙하호, 해빙, 붕괴 전면(calving fronts), 남극 빙붕 범위의 다섯 가지 빙권 구성요소를 포괄하는 6개의 시맨틱 분할 데이터셋으로 구성된 벤치마크인 Cryo-Bench를 제안하여 이러한 공백을 해소합니다. 이 벤치마크는 기존 사전학습 아카이브에서 대표성이 낮았던 지역의 다중스펙트럼(multispectral), RGB 및 합성개구레이더(SAR) 관측 데이터를 포함합니다. 저자들은 통합 평가 프로토콜에 따라 처음부터 학습된(scratch) U-Net 및 비전 트랜스포머(Vision Transformer) 기준선과 함께 13개의 GFM을 평가합니다. 동결된 인코더(frozen encoders) 조건에서는 U-Net이 6개 데이터셋 평균 mIoU(mean intersection over union) 69.31%로 최고 성능을 달성하여 TerraMind(67.86%)를 1.45% 포인트 앞섰습니다. 쌍체 차이(paired difference)의 95% 신뢰 구간은 [+0.94, +1.98]로, U-Net의 우위가 통계적으로 유의미함을 보여줍니다. 반면, 학습률 최적화는 미세조정 성능을 크게 향상시킵니다. DOFA는 RGB 빙하호 작업에서 93.97% mIoU를 기록하여 U-Net을 4위로 밀어냈으며, Scale-MAE와 GFM-Swin은 붕괴 전면 작업에서 U-Net을 앞섰습니다. 전체 6개 데이터셋의 평균에서는 TerraMind, GFM-Swin, DOFA, Scale-MAE의 4개 GFM이 U-Net 기준선(69.31%)을 능가했습니다. 퓨샷(few-shot) 설정에서도 DOFA, RemoteCLIP, TerraMind, GFM-Swin, Scale-MAE의 5개 GFM이 마찬가지로 U-Net보다 우수한 성능을 보였으며, 13개 전체 GFM 평균 기준 전체 라벨 정확도 대비 성능 유지율은 U-Net의 86.1%에 비해 92.5%를 기록했습니다.