論文の概要: Evaluation, Tuning and Interpretation of Neural Networks for Meteorological Applications

• arxiv url: http://arxiv.org/abs/2005.03126v1
• Date: Wed, 6 May 2020 20:46:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 06:27:12.983175
• Title: Evaluation, Tuning and Interpretation of Neural Networks for Meteorological Applications
• Title（参考訳）: 気象応用のためのニューラルネットワークの評価・チューニング・解釈
• Authors: Imme Ebert-Uphoff, Kyle A. Hilburn
• Abstract要約: ニューラルネットワークは、気象学でリモートセンシングされた画像を利用する多くの新しい機会を開いた。 一般的な用途としては、例えば、画像が熱帯のサイクロンを含むかどうかを決定するための画像分類や、受動チャネルのみを持つ衛星のレーダーレーダーをエミュレートする画像翻訳などがある。 本稿では,まだ気象社会ではあまり注目されていないニューラルネットワーク開発に対するいくつかの戦略と実践的考察を紹介する。
• 参考スコア（独自算出の注目度）: 0.030458514384586396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks have opened up many new opportunities to utilize remotely sensed images in meteorology. Common applications include image classification, e.g., to determine whether an image contains a tropical cyclone, and image translation, e.g., to emulate radar imagery for satellites that only have passive channels. However, there are yet many open questions regarding the use of neural networks in meteorology, such as best practices for evaluation, tuning and interpretation. This article highlights several strategies and practical considerations for neural network development that have not yet received much attention in the meteorological community, such as the concept of effective receptive fields, underutilized meteorological performance measures, and methods for NN interpretation, such as synthetic experiments and layer-wise relevance propagation. We also consider the process of neural network interpretation as a whole, recognizing it as an iterative scientist-driven discovery process, and breaking it down into individual steps that researchers can take. Finally, while most work on neural network interpretation in meteorology has so far focused on networks for image classification tasks, we expand the focus to also include networks for image translation.
• Abstract（参考訳）: ニューラルネットワークは、気象学でリモートセンシングされた画像を利用する多くの新しい機会を開いた。 一般的な用途としては、画像分類、例えば熱帯サイクロンを含むかどうかの判定、画像翻訳、例えば受動チャネルのみを有する衛星のレーダ画像のエミュレートなどがある。 しかし、気象学におけるニューラルネットワークの利用については、評価、チューニング、解釈のベストプラクティスなど、まだ多くの疑問がある。 本稿では, 有効受容場の概念, 未利用気象性能測定, 合成実験, レイヤーワイド関連伝播などのNN解釈の方法など, 気象コミュニティでまだあまり注目されていない, ニューラルネットワーク開発のための戦略と実践的考察を紹介する。 また、ニューラルネットワークの解釈のプロセス全体を考慮し、反復的な科学者主導の発見プロセスとして認識し、研究者が選択できる個々のステップに分解する。 最後に、気象学におけるニューラルネットワークの解釈のほとんどは、画像分類タスクのためのネットワークに焦点を当てていますが、画像翻訳のためのネットワークも含むように焦点を広げています。

関連論文リスト

• Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction [0.7673339435080445]
  学習にはGraphSSフレームワークと時間的変化を捉えるための時間的畳み込み操作を用いたマルチブランチ・テンポラルグラフニューラルネットワークを開発した。 提案したマルチブランチネットワークは、現在の融合時間グラフニューラルネットワークを精度と効率の両方で一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T16:59:51Z)
• Evaluation of neural network algorithms for atmospheric turbulence mitigation [0.5461938536945721]
  さまざまなニューラルネットワークが研究されており、静止しないカメラや物体が捉えた画像やビデオのぼやけに対処している。 本稿では,これらの既存ネットワークの概要を述べるとともに,大気乱流によるぼかしを除去するための実験を行う。
  論文  参考訳（メタデータ） (2024-10-28T08:04:57Z)
• Image segmentation with traveling waves in an exactly solvable recurrent neural network [71.74150501418039]
  繰り返しニューラルネットワークは、シーンの構造特性に応じて、画像をグループに効果的に分割できることを示す。 本稿では,このネットワークにおけるオブジェクトセグメンテーションのメカニズムを正確に記述する。 次に、グレースケール画像中の単純な幾何学的対象から自然画像まで、入力をまたいで一般化するオブジェクトセグメンテーションの簡単なアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2023-11-28T16:46:44Z)
• Tools for Extracting Spatio-Temporal Patterns in Meteorological Image Sequences: From Feature Engineering to Attention-Based Neural Networks [5.566807756855081]
  画像のシーケンスからコンテキストを抽出するのに有用な、さまざまな概念とテクニックについてレビューする。 まず、気象学におけるこれらのアプローチの必要性を、太陽の予測と衛星画像からの対流検出という2つの応用を用いて動機づける。 本稿では,気象画像列の解釈に有用な,さまざまな概念と技術の概要を紹介する。
  論文  参考訳（メタデータ） (2022-10-22T00:26:54Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
  ニューラルネットワークの高次元景観特性を探索する方法を示す。 我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。 インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
  論文  参考訳（メタデータ） (2022-04-09T16:41:53Z)
• Geographical Knowledge-driven Representation Learning for Remote Sensing Images [18.79154074365997]
  リモートセンシング画像のための地理知識駆動表現学習法(GeoKR)を提案する。 各リモートセンシング画像に関連するグローバルな土地被覆製品と地理的位置を地理的知識とみなす。 ネットワーク事前トレーニングをサポートするために,大規模な事前トレーニングデータセットであるLevir-KRを提案する。
  論文  参考訳（メタデータ） (2021-07-12T09:23:15Z)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)
• Integrating global spatial features in CNN based Hyperspectral/SAR imagery classification [11.399460655843496]
  本稿では,リモートセンシング画像の情報,すなわち地理緯度-経度情報を利用する新しい手法を提案する。 デュアルブランチ畳み込みニューラルネットワーク(CNN)分類法は,画像の画素特徴をマイニングするためのグローバル情報と組み合わせて設計されている。 高スペクトル画像(HSI)とポラリメトリック合成開口レーダ(PolSAR)画像(PolSAR)の2つのリモートセンシング画像を用いて本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-05-30T10:00:10Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。