Pangaea
PulseAugur coverage of Pangaea — every cluster mentioning Pangaea across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
地理空间基础模型生物量估算基准测试
一篇新的研究论文探讨了地理空间基础模型（GFMs）从卫星图像估算地上生物量（AGB）的有效性。该研究使用AGBD数据集对11个GFMs进行了基准测试，并将作为冻结编码器运行的模型与AlphaEarth Foundations (AEF) 和 TESSERA 等预计算嵌入产品进行了比较。结果表明，虽然冻结编码器的表现不佳，但预计算嵌入，特别是AEF，显著提高了生物量估算的准确性，其中在AEF嵌入上训练的MLP的表现优于监督式最先进技术。
-
新方法使用环境信号探测地理空间自监督学习表示
研究人员开发了一种新方法来评估地理空间卫星图像中的自监督学习（SSL）表示。该方法不依赖于下游任务，而是使用来自ERA5数据集的共址环境变量（如温度、降水和土壤水分）来探测表示。这使得能够评估SSL模型是否固有地捕捉到与这些物理环境因素的统计关联，从而在任务特定性能之外提供对其能力的更细致的理解。
-
新方法使用环境信号探测地理空间自监督学习表示
研究人员开发了一种新方法，通过环境信号探测来评估地理空间数据中的自监督学习（SSL）表示。该方法使用共置的ERA5再分析变量（如温度和降水）来评估DINO、MAE和MoCo等SSL模型在多大程度上编码了与环境条件相关的信息。研究发现，表示层面的指标可以区分下游任务性能相似的模型，并且环境信号的可访问性与环境依赖性任务的性能相关。
-
Pangaea 调查科学人工智能初创公司
Pangaea 正在调查专注于“科学人工智能”的初创公司，并指出一种区别于传统人工智能药物发现模型的新趋势。这一新兴领域正受到日经生物技术在线的密切关注。
-
TerraMind：首个面向地球观测的任意到任意多模态基础模型
研究人员推出了TerraMind，一个专为地球观测任务设计的新型多模态基础模型。该模型独特地结合了令牌级和像素级数据表示，使其能够捕捉高级上下文信息和细粒度的空间细节。TerraMind展示了强大的零样本和少样本学习能力，引入了一种称为“模态内思考”（TiM）的新技术，用于微调和推理期间的数据增强，并在PANGAEA等基准测试中取得了最先进的性能。该模型、其预训练数据集以及相关代码均在宽松许可下公开提供。
-
新型RAMEN编码器可适应各种地球观测数据分辨率
研究人员推出了一种新颖的多模态编码器RAMEN，专为地球观测数据设计。该编码器独特之处在于能够处理各种传感器之间不同的空间、光谱和时间分辨率，而无需进行特定于传感器的调整。RAMEN将分辨率视为一个可控参数，允许用户在细节和计算成本之间进行权衡。该模型在掩码多模态地球观测数据上进行了训练，并已证明能够有效地迁移学习到新的传感器配置，在PANGAEA基准测试中表现优于现有的最先进模型。
-
FLORO：新多模态地理空间模型用于生态遥感
研究人员推出了 FLORO，一个专为生态遥感应用设计的多模态地理空间基础模型。与许多需要海量数据集和固定传感器配置的现有模型不同，FLORO 在多样化但规模较小的语料库上进行训练，并结合了可用性感知输入来处理不同的传感器数据。该模型在 PANGAEA 基准测试中展示了跨不同图像类型和分辨率的强大迁移能力，在分割、场景分类和回归任务中取得了有竞争力的结果。