Глобальные и плотные вложения Земли: Майор ТОМ, плавающий в латентном пространстве

Global and Dense Embeddings of Earth: Major TOM Floating in the Latent Space

December 7, 2024

Авторы: Mikolaj Czerkawski, Marcin Kluczek, Jędrzej S. Bojanowski

cs.AI

Аннотация

С увеличивающимися объемами данных обсервации Земли, представленными в архивах крупных программ, таких как Copernicus, возрастает потребность в эффективных векторных представлениях исходных данных. Подход извлечения признаков из предварительно обученных глубоких нейронных сетей является мощным методом, способным обеспечить семантические абстракции входных данных. Однако способ, которым это делается для архивов изображений, содержащих геопространственные данные, пока не был определен. В данной работе предлагается расширение существующего сообщественного проекта Major TOM, сосредоточенного на предоставлении и стандартизации открытых и бесплатных наборов данных, готовых к использованию в области обсервации Земли с использованием искусственного интеллекта. Кроме того, вместе с публикацией данного документа были открыто и бесплатно опубликованы четыре глобальных и плотных набора данных встраивания, что привело к созданию наиболее полного глобального открытого набора данных геопространственных визуальных встраиваний по покрытию поверхности Земли.

English

With the ever-increasing volumes of the Earth observation data present in the archives of large programmes such as Copernicus, there is a growing need for efficient vector representations of the underlying raw data. The approach of extracting feature representations from pretrained deep neural networks is a powerful approach that can provide semantic abstractions of the input data. However, the way this is done for imagery archives containing geospatial data has not yet been defined. In this work, an extension is proposed to an existing community project, Major TOM, focused on the provision and standardization of open and free AI-ready datasets for Earth observation. Furthermore, four global and dense embedding datasets are released openly and for free along with the publication of this manuscript, resulting in the most comprehensive global open dataset of geospatial visual embeddings in terms of covered Earth's surface.