PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.01576v5cs.CV

Cryo-Bench: 빙권 매핑을 위한 파운데이션 모델 벤치마킹

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.