Buchumschlag

CSMoE: An Efficient Remote Sensing Foundation Model with Soft Mixture-of-Experts

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hackel, Leonard, Burgert, Tom, Demir, Begüm
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How Much of a Model Do We Need? Redundancy and Slimmability in Remote Sensing Foundation Models
von: Hackel, Leonard, et al.
Veröffentlicht: (2026)

Rank-based Geographical Regularization: Revisiting Contrastive Self-Supervised Learning for Multispectral Remote Sensing Imagery
von: Burgert, Tom, et al.
Veröffentlicht: (2026)

Redundancy-Aware Pretraining of Vision-Language Foundation Models in Remote Sensing
von: Adler, Mathis Jürgen, et al.
Veröffentlicht: (2025)

Estimating Physical Information Consistency of Channel Data Augmentation for Remote Sensing Images
von: Burgert, Tom, et al.
Veröffentlicht: (2024)

reBEN: Refined BigEarthNet Dataset for Remote Sensing Image Analysis
von: Clasen, Kai Norman, et al.
Veröffentlicht: (2024)

On the Effectiveness of Methods and Metrics for Explainable AI in Remote Sensing Image Scene Classification
von: Klotz, Jonas, et al.
Veröffentlicht: (2025)

Noise-Adaptive Regularization for Robust Multi-Label Remote Sensing Image Classification
von: Burgert, Tom, et al.
Veröffentlicht: (2026)

A Label Propagation Strategy for CutMix in Multi-Label Remote Sensing Image Classification
von: Burgert, Tom, et al.
Veröffentlicht: (2024)

OceanMAE: A Foundation Model for Ocean Remote Sensing
von: Stamer, Viola-Joanna, et al.
Veröffentlicht: (2026)

FedX: Explanation-Guided Pruning for Communication-Efficient Federated Learning in Remote Sensing
von: Büyüktaş, Barış, et al.
Veröffentlicht: (2025)

ImageNet-trained CNNs are not biased towards texture: Revisiting feature reliance through controlled suppression
von: Burgert, Tom, et al.
Veröffentlicht: (2025)

Continual Self-Supervised Learning with Masked Autoencoders in Remote Sensing
von: Möllenbrok, Lars, et al.
Veröffentlicht: (2025)

A Plasticity-Aware Method for Continual Self-Supervised Learning in Remote Sensing
von: Möllenbrok, Lars, et al.
Veröffentlicht: (2025)

A Multi-Modal Federated Learning Framework for Remote Sensing Image Classification
von: Büyüktaş, Barış, et al.
Veröffentlicht: (2025)

Federated Learning Across Decentralized and Unshared Archives for Remote Sensing Image Classification
von: Büyüktaş, Barış, et al.
Veröffentlicht: (2023)

Communication-Efficient Federated Learning Based on Explanation-Guided Pruning for Remote Sensing Image Classification
von: Klotz, Jonas, et al.
Veröffentlicht: (2025)

Self-Supervised Cross-Modal Text-Image Time Series Retrieval in Remote Sensing
von: Hoxha, Genc, et al.
Veröffentlicht: (2025)

REMSA: Foundation Model Selection for Remote Sensing via a Constraint-Aware Agent
von: Chen, Binger, et al.
Veröffentlicht: (2025)

Annotation Cost-Efficient Active Learning for Deep Metric Learning Driven Remote Sensing Image Retrieval
von: Hoxha, Genc, et al.
Veröffentlicht: (2024)

Mind the Modality Gap: Towards a Remote Sensing Vision-Language Model via Cross-modal Alignment
von: Zavras, Angelos, et al.
Veröffentlicht: (2024)

Rethinking Efficient Mixture-of-Experts for Remote Sensing Modality-Missing Classification
von: Gao, Qinghao, et al.
Veröffentlicht: (2025)

Mixture-of-Experts in Remote Sensing: A Survey
von: Cui, Yongchuan, et al.
Veröffentlicht: (2026)

RingMoE: Mixture-of-Modality-Experts Multi-Modal Foundation Models for Universal Remote Sensing Image Interpretation
von: Bi, Hanbo, et al.
Veröffentlicht: (2025)

Deep Learning-based Bathymetry Retrieval without In-situ Depths using Remote Sensing Imagery and SfM-MVS DSMs with Data Gaps
von: Agrafiotis, Panagiotis, et al.
Veröffentlicht: (2025)

Transformer-based Federated Learning for Multi-Label Remote Sensing Image Classification
von: Büyüktaş, Barış, et al.
Veröffentlicht: (2024)

History-Augmented Contrastive Learning With Soft Mixture of Experts for Blind Super-Resolution of Planetary Remote Sensing Images
von: Zhao, Hui-Jia, et al.
Veröffentlicht: (2025)

BigEarthNet.txt: A Large-Scale Multi-Sensor Image-Text Dataset and Benchmark for Earth Observation
von: Herzog, Johann-Ludwig, et al.
Veröffentlicht: (2026)

MAPEX: Modality-Aware Pruning of Experts for Remote Sensing Foundation Models
von: Hanna, Joelle, et al.
Veröffentlicht: (2025)

GAIA: A Global, Multi-modal, Multi-scale Vision-Language Dataset for Remote Sensing Image Analysis
von: Zavras, Angelos, et al.
Veröffentlicht: (2025)

Exploring Masked Autoencoders for Sensor-Agnostic Image Retrieval in Remote Sensing
von: Hackstein, Jakob, et al.
Veröffentlicht: (2024)

MagicBathyNet: A Multimodal Remote Sensing Dataset for Bathymetry Prediction and Pixel-based Classification in Shallow Waters
von: Agrafiotis, Panagiotis, et al.
Veröffentlicht: (2024)

Agentic AI for Remote Sensing: Technical Challenges and Research Directions
von: Munir, Muhammad Akhtar, et al.
Veröffentlicht: (2026)

RSUniVLM: A Unified Vision Language Model for Remote Sensing via Granularity-oriented Mixture of Experts
von: Liu, Xu, et al.
Veröffentlicht: (2024)

Heterogeneous Mixture of Experts for Remote Sensing Image Super-Resolution
von: Chen, Bowen, et al.
Veröffentlicht: (2025)

UniRoute: Unified Routing Mixture-of-Experts for Modality-Adaptive Remote Sensing Change Detection
von: Shu, Qingling, et al.
Veröffentlicht: (2026)

DynamicVis: Dynamic Visual Perception for Efficient Remote Sensing Foundation Models
von: Chen, Keyan, et al.
Veröffentlicht: (2025)

RemoteCLIP: A Vision Language Foundation Model for Remote Sensing
von: Liu, Fan, et al.
Veröffentlicht: (2023)

Hierarchical Fusion of Local and Global Visual Features with Mixture-of-Experts for Remote Sensing Image Scene Classification
von: Tang, Yuanhao, et al.
Veröffentlicht: (2025)

RS-vHeat: Heat Conduction Guided Efficient Remote Sensing Foundation Model
von: Hu, Huiyang, et al.
Veröffentlicht: (2024)

SpectralGPT: Spectral Remote Sensing Foundation Model
von: Hong, Danfeng, et al.
Veröffentlicht: (2023)