論文の概要: Ensemble Transfer Learning for Emergency Landing Field Identification on
Moderate Resource Heterogeneous Kubernetes Cluster
- arxiv url: http://arxiv.org/abs/2006.14887v2
- Date: Mon, 31 Aug 2020 09:35:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 20:38:15.866878
- Title: Ensemble Transfer Learning for Emergency Landing Field Identification on
Moderate Resource Heterogeneous Kubernetes Cluster
- Title（参考訳）: 定型資源不均質Kubernetesクラスタを用いた緊急着地フィールド同定のためのエンサンブルトランスファー学習
- Authors: Andreas Klos, Marius Rosenbaum, Wolfram Schiffmann
- Abstract要約: 観測機器の気象条件の場合、適切な緊急着陸地点のデータベースを使用することは不可欠である。
ニューラルネットワークのトレーニングとテストを容易にするために、さまざまなサンプルサイズのデータセットを作成しました。
これらの緊急着陸場はデータベースに格納される。
- 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: The full loss of thrust of an aircraft requires fast and reliable decisions
of the pilot. If no published landing field is within reach, an emergency
landing field must be selected. The choice of a suitable emergency landing
field denotes a crucial task to avoid unnecessary damage of the aircraft, risk
for the civil population as well as the crew and all passengers on board.
Especially in case of instrument meteorological conditions it is indispensable
to use a database of suitable emergency landing fields. Thus, based on public
available digital orthographic photos and digital surface models, we created
various datasets with different sample sizes to facilitate training and testing
of neural networks. Each dataset consists of a set of data layers. The best
compositions of these data layers as well as the best performing transfer
learning models are selected. Subsequently, certain hyperparameters of the
chosen models for each sample size are optimized with Bayesian and Bandit
optimization. The hyperparameter tuning is performed with a self-made
Kubernetes cluster. The models outputs were investigated with respect to the
input data by the utilization of layer-wise relevance propagation. With
optimized models we created an ensemble model to improve the segmentation
performance. Finally, an area around the airport of Arnsberg in North
Rhine-Westphalia was segmented and emergency landing fields are identified,
while the verification of the final approach's obstacle clearance is left
unconsidered. These emergency landing fields are stored in a PostgreSQL
database.
- Abstract（参考訳）: 航空機の推力の完全な喪失は、パイロットの迅速かつ信頼性の高い決定を必要とする。
着陸場が公開されていない場合は、緊急着陸場を選択する必要がある。
適切な緊急着陸場の選択は、不要な航空機の損傷を避けるための重要な任務であり、民間人だけでなく乗員と乗客全員のリスクである。
特に観測機器の気象条件の場合、適切な緊急着陸地点のデータベースを使用することは不可欠である。
したがって,公開可能なデジタル正書法写真とディジタル表面モデルに基づいて,ニューラルネットワークのトレーニングとテストを容易にするために,異なるサンプルサイズのデータセットを作成した。
各データセットは、一連のデータ層から構成される。
これらのデータレイヤの最高の構成と、最も優れた転送学習モデルが選択される。
その後、サンプルサイズごとに選択されたモデルのある種のハイパーパラメータがベイジアンとバンドイットの最適化によって最適化される。
ハイパーパラメータチューニングは、自作のKubernetesクラスタで実行される。
モデル出力は,レイヤワイド関連伝搬を用いて入力データに対して検討した。
最適化されたモデルでは、セグメンテーションのパフォーマンスを改善するためにアンサンブルモデルを作成しました。
最後に、ライン=ヴェストファーレン北部アルンスベルク空港周辺の地域が分断され、緊急着陸地点が特定され、最終アプローチの障害物クリアランスの検証は考慮されていない。
これらの緊急着陸フィールドはPostgreSQLデータベースに格納される。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Amelia: A Large Model and Dataset for Airport Surface Movement Forecasting [12.684598713362007]
Amelia-48 は System Wide Information Management (SWIM) Surface Movement Event Service (SMES) を用いて収集された大規模な表面運動データセットである。
Amelia-TFは、292日間にトレーニングされた、トランスフォーマーに基づく大規模マルチエージェントマルチエージェントトラジェクトリ予測モデルである。
未確認の空港では、異なる予測水平線長、エゴエージェント選択戦略、トレーニングレシピを示す実験が実施されている。
論文 参考訳（メタデータ） (2024-07-30T20:50:48Z) - SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation [55.87169702896249]
Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。
本稿では,DA手法の評価と,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの公平な評価を行うフレームワークを提案する。
本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
論文 参考訳（メタデータ） (2024-07-16T12:52:29Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。
我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文 参考訳（メタデータ） (2023-10-28T10:19:55Z) - A benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。
HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。
予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
論文 参考訳（メタデータ） (2022-04-22T23:49:44Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Dense Air Quality Maps Using Regressive Facility Location Based Drive By
Sensing [4.264192013842096]
本稿では,隣接する場所におけるスムーズさと自己回帰時間相関を組み込んだ効率的な車両選択フレームワークを提案する。
インド・デリーの公共交通機関からサブセットを選択する際の枠組みを評価する。
論文 参考訳（メタデータ） (2022-01-20T18:20:37Z) - 4D flight trajectory prediction using a hybrid Deep Learning prediction
method based on ADS-B technology: a case study of Hartsfield-Jackson Atlanta
International Airport(ATL) [2.2118683064997264]
本稿では,ハーツフィールド・ジャクソン・アトランタ国際空港(ATL)の予測モデルの不確実性を考慮した空間的・時間的特徴を抽出するハイブリッドディープラーニングモデルを提案する。
その結果,提案モデルは他のモデル(3D CNN, CNN-GRU)と比較して誤差が低いことがわかった。
論文 参考訳（メタデータ） (2021-10-14T23:48:44Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z)
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。