Terramind
PulseAugur coverage of Terramind — every cluster mentioning Terramind across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
地理空间基础模型通过特征蒸馏实现效率提升
研究人员开发了一种称为特征蒸馏的方法，以创建更高效、更通用的地理空间基础模型。该技术允许较小的模型从预先训练好的大型模型中学习，从而显著降低计算成本和训练时间。蒸馏后的模型，如TerraMind Tiny、Small和Base，在九项PANGAEA任务上的表现优于同等规模的对应模型，甚至能媲美或超越已发布的更大模型。此外，还引入了一种名为TEDI的新型多专家方法，该方法结合了不同类型的图像模型，而无需配准数据，并在基准比较中取得了最先进的性能。
-
地理空间AI模型显示捷径学习，阻碍跨灾害评估
一篇新发表在arXiv上的研究论文调查了用于灾害损失评估的地理空间基础模型中的捷径学习。研究发现，在熟悉灾害上训练的模型通常依赖事件或场景特征而非可迁移证据，导致应用于新灾害类型时准确性显著下降。研究人员在xView2和BRIGHT等数据集上测试了来自TerraMind和DINOv3等模型的嵌入，揭示了事件前图像甚至标注的建筑数量都具有高度预测性。该论文提出，特征转换，特别是监督对比学习和主成分分析，可以提高模型对未见灾害的泛化能力，…
-
IBM 和 NASA 发布开源多模态月球 AI 模型
IBM 和 NASA 联合开发了一个新的多模态月球模型，这是在理解和绘制月球表面方面的一项进展。该 AI 模型基于 IBM 的 TerraMind 架构，旨在处理不同尺度的大量多传感器数据，解决了月球科学家面临的一项重大挑战。该模型集成了各种数据类型和分辨率，学习跨模态相关性以填补缺失或有噪声的值，这将有助于未来的月球任务。该项目也是开源的。
-
AlphaEarth 嵌入在农田测绘中显示出高精度
一篇新的研究论文探讨了在美国缅因州使用 AlphaEarth 基础嵌入进行农田测绘。研究发现，这些嵌入在未经微调的情况下，在区分耕地和非耕地区方面达到了高精度。研究还证明了这些模型的时间可转移性，表明在一年内训练的分类器在随后的几年中仍然有效。与美国农业部农田数据层和微调的 TerraMind 模型等现有方法相比，AlphaEarth 嵌入在准确性和一致性方面表现出具有竞争力或更优越的性能。
-
新的基础模型以跨模态能力推进月球遥感
研究人员开发了一个专门用于月球遥感的跨模态基础模型，该模型利用了一种新颖的架构和一个名为SoMBench的大型数据集。该模型名为TerraMind，集成了来自各种模态和分辨率的数据，使其能够学习跨模态对应关系，以完成地形分析和冰矿前景预测等任务。评估表明，预训练模型在特定任务上的标签效率方面表现出显著的提升，其性能与ImageNet预训练基线相当或更优。
-
新的SAR2Agri模型通过自监督SAR强度学习增强农业监测 · 跟踪2个来源
研究人员开发了SAR2Agri，一种新颖的自监督学习流程，专门用于仅使用合成孔径雷达（SAR）强度图像进行农业监测。该方法通过掩码和课程学习来增强时间性先验任务，以更好地从SAR数据中捕获物候特征。该模型在SICKLE基准测试中表现强劲，在作物类型测绘上达到了84.9%的IoU，优于光学和现有的SAR基线。
-
TerraMind vs THOR：架构差异驱动 GFM 性能
一篇新的研究论文系统性地比较了欧洲航天局 $\Phi$-lab 开发的两种地理空间基础模型（GFM），TerraMind 和 THOR。该研究超越了总体得分，分析了十种用例（包括气候灾害响应和甲烷泄漏检测）的架构差异，例如可变补丁大小和解码器复杂性。研究结果表明，架构设计选择比模型本身更能解释性能差异，暗示了互补的优势而非单一的优越模型。
-
新研究探讨基础模型在地球观测领域的有效适应性
近期 arXiv 上的两篇论文探讨了基础模型在地球观测（EO）领域的适应与应用。第一篇论文讨论了遥感基础模型（RSFMs）的设计原则，强调领域特定适应性、可信赖性以及超越基准准确性的评估。文章指出，没有一个单一的地理空间基础模型是普遍最优的，并且评估不一致仍然是一个重大问题。第二篇论文介绍了 SIMPLER，一种通过基于表示相似性的层剪枝来实现基础模型高效适应的方法。SIMPLER 在保持高性能的同时，显著降低了 Prithvi-EO…
-
新的 AlphaEarth 先验知识提高了 SAR 洪水分割精度
研究人员开发了一种新的方法，通过整合土地覆盖先验知识，利用合成孔径雷达 (SAR) 图像进行快速洪水分割。该方法旨在提高在紧急情况下通常会出现的、事前 SAR 数据不可用时的分割精度。研究比较了包括 CNN 和 Vision Transformers 在内的各种基础骨干网络，证明了数字高程模型 (DEM) 和新颖的 AlphaEarth 先验知识都能在不同事件和骨干网络中提高分割性能。
-
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。
-
新型时空图网络提升土壤碳预测能力
研究人员开发了SpTGNN，一种新颖的多模态时空图神经网络，用于预测土壤有机碳（SOC）。该模型通过异构图结构和经过微调的TerraMind编码器整合光谱和时间数据，解决了现有方法的局限性。SpTGNN利用混合专家模块进行特征融合，并结合了先进的不确定性量化技术，在非洲和欧洲的评估中表现优于传统的XGBoost基线。
-
Anyscale 的 Ray 为大规模 AI 训练和推理提供支持
Anyscale 的 Ray Day London 活动强调了各组织如何使用 Ray 框架扩展 AI 工作负载。关键演讲包括 Xoople 使用 Ray Data 进行全球规模地理空间基础模型推理，以及 Adyen 在海量 51 万亿 token 数据集上训练交易基础模型 (TFM)。这些案例研究展示了 Ray 在处理多模态数据处理、基础模型训练和强化学习等任务方面，简化复杂 AI 基础设施的能力。
-
新的Cryo-Bench基准测试评估用于冰雪应用的基金会模型
研究人员推出了Cryo-Bench，这是一个旨在评估地理基础模型（GFMs）在冰冻圈应用中性能的新基准。该基准涵盖了冰川、冰川湖、海冰和崩解前缘等关键组成部分，涉及各种传感器和地区。在评估中，具有冻结编码器的UNet实现了最高的平均mIoU，而像DOFA和TerraMind这样的某些GFMs在少样本学习场景中显示出潜力。
-
LoRA 使用 Sentinel-2 数据高效地将地理空间模型适应于野火测绘
研究人员使用 Sentinel-2 卫星数据评估了三种地理空间基础模型（GFM）——Terramind、DINOv3 和 Prithvi-v2——用于野火测绘。研究发现，低秩适应（LoRA）是适应这些模型最高效的方法，仅需更新不到 1% 的参数即可实现强大的跨领域泛化能力。经 LoRA 适应的 Prithvi-v2 在准确性和相对于完全微调的改进方面表现最佳，为大规模烧毁区域测绘提供了一个可扩展的解决方案。