Oceansar 1

🚀 OceanSAR-1のモデルカード

OceanSAR-1は、海洋観測を目的とした合成開口レーダー（SAR）画像解析用の基礎モデルです。新しい動的データセット削減戦略を用いて訓練され、訓練効率と特徴品質が向上しています。

🚀 クイックスタート

OceanSAR-1モデルを使用してSAR画像から特徴を抽出するには、以下のコードを参考にしてください。

import torch
from transformers import AutoModel

# モデルとプロセッサを読み込む
model = AutoModel.from_pretrained("galeio-research/OceanSAR-1")

# SAR画像を準備する（単チャンネルVV偏波である必要があります）
# ここではランダムデータを例として使用
dummy_image = torch.randn(1, 1, 256, 256)  # (C, H, W)

# 特徴を抽出する
with torch.no_grad():
    outputs = model(dummy_image)
    features = outputs.pooler_output  # 形状: ResNet50の場合 (1, 2048)

✨ 主な機能

• SAR画像解析用の特徴抽出器：SAR画像から特徴を抽出し、下流タスクの転移学習に使用できます。
• 下流タスクでの検証：10種類の地球物理学的現象の分類、有義波高推定、風速予測などの下流タスクで検証されています。

📦 インストール

このモデルを使用するには、transformersライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

import torch
from transformers import AutoModel

# モデルとプロセッサを読み込む
model = AutoModel.from_pretrained("galeio-research/OceanSAR-1")

# SAR画像を準備する（単チャンネルVV偏波である必要があります）
# ここではランダムデータを例として使用
dummy_image = torch.randn(1, 1, 256, 256)  # (C, H, W)

# 特徴を抽出する
with torch.no_grad():
    outputs = model(dummy_image)
    features = outputs.pooler_output  # 形状: ResNet50の場合 (1, 2048)

📚 ドキュメント

モデルの詳細

モデルの説明

OceanSAR-1は、OceanSARファミリーの最初の基礎モデルで、合成開口レーダー（SAR）画像解析に特化し、海洋観測に焦点を当てて設計されています。モデルは、新しい動的データセット削減戦略を使用して訓練され、訓練効率と特徴品質を向上させています。

• 開発者: Thomas Kerdreux, Alexandre Tuel @ Galeio
• デプロイ者: Antoine Audras @ Galeio
• モデルの種類: ビジョン基礎モデル（ResNet50/ViTバリアント）
• ライセンス: Apache License 2.0
• 訓練データ: Sentinel-1 Wave Mode (WV) SAR画像 (2015-2024)
• 訓練方式: 動的データセット削減を伴うDINO自己教師付き学習

用途

直接的な使用

このモデルは、SAR画像解析の特徴抽出器として、特に海洋観測タスクに使用することを目的としています。以下の用途に使用できます。

• SAR画像からの特徴抽出
• 下流タスクの転移学習

下流タスクでの使用

このモデルは、3つの下流タスクで検証されています。

1. TenGeoP分類：SAR画像における10種類の地球物理学的現象の分類
2. 有義波高推定：海洋の波高予測の回帰タスク
3. 風速予測：表面風速推定の回帰タスク

訓練の詳細

訓練データ

• データセット: Sentinel-1 Wave Mode (WV) SAR画像
• 期間: 2015-2024
• サイズ: 約1200万枚の画像
• 前処理:
  • 空間的に50m解像度にダウンサンプリング
  • 多様性とバランスを考慮した動的データセット削減
  • 検証画像を訓練セットから除外

動的データセット削減

このモデルは、新しい動的データセット削減戦略を使用しています。

• データセットの多様性とバランスを最大化する
• 計算コストを削減する
• 下流タスクでのモデル性能を向上させる
• 既存の特徴抽出器を必要としない

評価

結果

このモデルは、3つの下流タスク（線形プロービング）で最先端の性能を達成しています。

1. TenGeoP分類：
   • ResNet50: 75.5%の精度
   • ViT-S/16: 78.6%の精度
   • ViT-S/8: 82.1%の精度
   • ViT-B/8: 83.6%の精度
2. 有義波高推定：
   • RMSE: 0.63-0.72m（アーキテクチャによる）
3. 風速予測：
   • RMSE: 1.37-1.43 m/s（アーキテクチャによる）

商業的なデプロイや特定の運用ニーズに合った最適化モデルバリアントにアクセスする場合は、ライセンスとサポートオプションについて相談してください。

技術仕様

ハードウェア要件

• 少なくとも8GBのVRAMを持つGPUが推奨されます。

依存関係

• PyTorch >= 1.8.0
• Transformers >= 4.30.0
• torchvision >= 0.9.0

入力仕様

• 入力サイズ: 256x256ピクセル
• 単チャンネル（VV偏波）
• 正規化されたピクセル値
• Sentinel-1 Wave ModeのSAR画像

🔧 技術詳細

引用

BibTeX:

@article{kerdreux2025efficientselfsupervisedlearningearth,
  title={Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation},
  author={Kerdreux, Thomas and Tuel, Alexandre and Febvre, Quentin and Mouche, Alexis and Chapron, Bertrand},
  journal={arXiv preprint arXiv:2504.06962},
  year={2025},
  eprint={2504.06962},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2504.06962},
}

謝辞

この研究は、GENCIによる割り当て2025-[A0171015666]の下で、IDRISとTGCCのHPCリソースを利用して行われました。

📄 ライセンス

このモデルは、Apache License 2.0の下で提供されています。