面向地球观测和地理空间 AI 的基础模型评估与基准测试

当我们主要关注通过给定的高性能准确率解决几个问题时，那么 Foundation Models 应该在大多数情况下比问题特定模型更有用。我们关注特定计算机视觉应用中的 Foundation Models，用于地球观测 (EO) 和地理空间 AI。这些模型可以解决我们正在处理的重要问题，包括但不限于土地覆盖分类、作物类型映射、洪水分割、建筑密度估计和道路回归分割。在本文中，我们表明在标签数据有限的情况下，Foundation Models 在下游任务上实现了优于问题特定模型的改进性能。在本工作中，我们还提出了用于 EO Foundation Models 的评估基准。对 Foundation Models 的泛化性能进行基准测试至关重要，因为最近提出的许多不同模型进行公平比较变得不容易。我们展示了使用我们的评估基准对 EO Foundation Models 的结果，表明 Foundation Models 在下游任务中具有标签效率，有助于我们解决在 EO 和遥感中所面临的问题。