GEOID-Flood évalue les modèles de segmentation des inondations
Le jeu de données couvre 219 épisodes d’inondation dans 65 pays, à partir d’images Sentinel, de données DEM et d’annotations validées.
Pourquoi c'est important
La cartographie des inondations est un test concret de la capacité des foundation models géospatiaux à se généraliser entre régions et capteurs. GEOID-Flood offre aux chercheurs un benchmark plus vaste pour comparer la fusion optique-SAR, le fine-tuning et les approches conventionnelles sur une tâche de réponse aux catastrophes.
Points clés
- 1.GEOID-Flood couvre 219 événements dans 65 pays.
- 2.Il combine Sentinel-1, Sentinel-2, des données DEM et des annotations validées.
- 3.Les foundation models ont montré des gains réguliers, mais modestes.
Des chercheurs ont présenté GEOID-Flood, un vaste benchmark multimodal pour la segmentation des inondations, dérivé des activations du Copernicus Emergency Management Service. Le jeu de données couvre 219 événements dans 65 pays sur dix ans et comprend plus de 14 000 tuiles associant des images Sentinel-1 pré- et post-événement co-enregistrées, des composites Sentinel-2 pré-événement, des données DEM et des annotations validées manuellement distinguant l’arrière-plan, les eaux permanentes et les eaux de crue. Le benchmark évalue des foundation models et des encodeurs conventionnels selon des protocoles mono-image, multi-temporels et multimodaux.
⚡ À tester aujourd'hui
Utilisez GEOID-Flood pour évaluer les modèles de segmentation des inondations avant de déployer des foundation models géospatiaux pour la cartographie des crues.
Sources et articles originaux
Ce brief résume et renvoie vers la couverture des médias ci-dessous.
Ce brief vous a plu ? Recevez le prochain par e-mail.
Plus dans Recherche
Google DeepMind présente un modèle de transcription de la langue des signes en texte
Le modèle SL2T de DeepMind alimente de nouvelles fonctionnalités en langue des signes pour les personnes sourdes et malentendantes.
L’équipe MiLMMT publie des modèles de traduction sans référence
MiLMMT-46-v1.0 utilise GRPO et l’interpolation de checkpoints pour améliorer la traduction multilingue ouverte.
DistilVDR compresse la recherche visuelle de documents
Ce moteur de recherche à 524 millions de paramètres utilise une distillation bilatérale à partir d’un modèle enseignant vision-langage de 8 milliards de paramètres.