論文の概要: Deep covariate-learning: optimising information extraction from terrain texture for geostatistical modelling applications

• arxiv url: http://arxiv.org/abs/2005.11194v2
• Date: Mon, 15 Jun 2020 11:19:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 08:13:00.300841
• Title: Deep covariate-learning: optimising information extraction from terrain texture for geostatistical modelling applications
• Title（参考訳）: 深層共変量学習:地形テクスチャから情報抽出を最適化した地理統計モデリングへの応用
• Authors: Charlie Kirkwood
• Abstract要約: 測地モデルでは,デジタル標高モデルからできるだけ多くのタスク関連情報を抽出することが望ましい。 本稿では,標準SRTM 90m格子デジタル標高モデル(DEM)からタスク固有の地形テクスチャを自動抽出するディープラーニング手法の形でこの問題の解決法を提案する。 対象変数については, 河川堆積物中のカリウム, カルシウム, ヒ素の濃度について, 英国地質調査所の地化学データを用いて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Where data is available, it is desirable in geostatistical modelling to make use of additional covariates, for example terrain data, in order to improve prediction accuracy in the modelling task. While elevation itself may be important, additional explanatory power for any given problem can be sought (but not necessarily found) by filtering digital elevation models to extract higher-order derivatives such as slope angles, curvatures, and roughness. In essence, it would be beneficial to extract as much task-relevant information as possible from the elevation grid. However, given the complexities of the natural world, chance dictates that the use of 'off-the-shelf' filters is unlikely to derive covariates that provide strong explanatory power to the target variable at hand, and any attempt to manually design informative covariates is likely to be a trial-and-error process -- not optimal. In this paper we present a solution to this problem in the form of a deep learning approach to automatically deriving optimal task-specific terrain texture covariates from a standard SRTM 90m gridded digital elevation model (DEM). For our target variables we use point-sampled geochemical data from the British Geological Survey: concentrations of potassium, calcium and arsenic in stream sediments. We find that our deep learning approach produces covariates for geostatistical modelling that have surprisingly strong explanatory power on their own, with R-squared values around 0.6 for all three elements (with arsenic on the log scale). These results are achieved without the neural network being provided with easting, northing, or absolute elevation as inputs, and purely reflect the capacity of our deep neural network to extract task-specific information from terrain texture. We hope that these results will inspire further investigation into the capabilities of deep learning within geostatistical applications.
• Abstract（参考訳）: データが利用可能であれば、地球統計モデリングにおいて、モデリングタスクの予測精度を向上させるために、地形データなどの余変量を利用するのが望ましい。 標高自体が重要であるが、傾斜角、曲率、粗さなどの高次微分を抽出するためにデジタル標高モデルをフィルタリングすることで、任意の問題に対する説明力を求めることができる(必ずしも見つからない)。 本質的には、高度グリッドからできるだけ多くのタスク関連情報を抽出することは有益である。 しかし、自然界の複雑さを考えると、'オフ・ザ・シェルフ'フィルターの使用は、手元にあるターゲット変数に強い説明力を与える共変体を誘導する可能性は低く、情報的共変体を手動で設計しようとする試みは、最適ではない。 本稿では,標準SRTM 90m格子デジタル標高モデル(DEM)から最適なタスク固有の地形テクスチャを自動抽出する,ディープラーニングアプローチの形でこの問題を解決する方法を提案する。 対象変数については,イギリス地質調査所のポイントサンプリング地球化学データを用いて,河川堆積物中のカリウム,カルシウム,ヒ素濃度を測定した。 我々の深層学習アプローチは、驚くほど強い説明力を持つ測地モデルのための共変量を生成し、R-二乗値は3つの要素すべてに対して0.6である(対数スケールではヒ素を含む)。 これらの結果は、入力として東向き、北向き、絶対標高のニューラルネットワークが提供されずに実現され、深層ニューラルネットワークの能力を反映して、地形テクスチャからタスク固有の情報を抽出します。 これらの結果が、地理統計学の応用における深層学習の能力に関するさらなる調査を促すことを願っている。

関連論文リスト

• TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
  本研究は,推定時間における相対的推定値から計量深度値を求めるための,実践的なオンラインスケール回復手法であるTanDepthを提案する。 本手法は無人航空機(UAV)の用途に応用され,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。 推定深度マップから接地点を選択して、投影された基準点と相関するクラスシミュレーションフィルタへの適応を示す。
  論文  参考訳（メタデータ） (2024-09-08T15:54:43Z)
• Improving Efficiency of Iso-Surface Extraction on Implicit Neural Representations Using Uncertainty Propagation [32.329370320329005]
  Inlicit Neural representations (INR) は、科学的データ削減と可視化に広く用いられている。 レンジ解析は、3次元測地におけるINR上の幾何的クエリの効率を向上する有望な結果を示している。 本稿では,算術規則を再検討し,空間領域内におけるネットワーク出力の確率分布を解析することにより,範囲解析のための改良手法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:10:20Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
  本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。 局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。 本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
  論文  参考訳（メタデータ） (2023-09-17T08:35:11Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Deep vs. Shallow Learning: A Benchmark Study in Low Magnitude Earthquake Detection [0.0]
  弾性ネット駆動データマイニングによる4つの機能の追加により,既存のロジスティック回帰モデルを構築した。 我々は,Groningenデータに基づいて事前学習したディープ(CNN)モデルに対する拡張ロジスティック回帰モデルの性能を,段階的に増加する雑音-信号比に基づいて評価する。 各比について、我々のロジスティック回帰モデルがすべての地震を正確に検出するのに対し、深部モデルは地震の約20%を検出できないことを発見した。
  論文  参考訳（メタデータ） (2022-05-01T17:59:18Z)
• Deep residential representations: Using unsupervised learning to unlock elevation data for geo-demographic prediction [0.0]
  LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。 現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。 我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
  論文  参考訳（メタデータ） (2021-12-02T17:10:52Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Bayesian deep learning for mapping via auxiliary information: a new era for geostatistics? [3.5450828190071655]
  深層ニューラルネットワークが、ポイントサンプリング対象変数とグリッド化された補助変数の間の複雑な関係をいかに学習できるかを示す。 モンテカルロ・ドロップアウト (Monte Carlo dropout) として知られるベイズ近似を用いて不確実性の推定値を得る。
  論文  参考訳（メタデータ） (2020-08-17T13:56:43Z)
• Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
  深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。 可変スキップは、10-100$timesの効率向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-07-10T19:01:40Z)
• Augmented Sliced Wasserstein Distances [55.028065567756066]
  拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。 ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。 数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2020-06-15T23:00:08Z)

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。