Fugu-MT 論文翻訳(概要): Identifying and Tracking Solar Magnetic Flux Elements with Deep Learning

論文の概要: Identifying and Tracking Solar Magnetic Flux Elements with Deep Learning

arxiv url: http://arxiv.org/abs/2008.12080v1
Date: Thu, 27 Aug 2020 12:23:18 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 08:37:27.449211
Title: Identifying and Tracking Solar Magnetic Flux Elements with Deep Learning
Title（参考訳）: 深層学習による太陽磁束要素の同定と追跡
Authors: Haodi Jiang, Jiasheng Wang, Chang Liu, Ju Jing, Hao Liu, Jason T. L. Wang, Haimin Wang
Abstract要約: 本研究では,太陽磁束要素や観測ベクトル磁気図の特徴を同定・追跡するための新しい深層学習手法であるSolarUnetを提案する。 SolarUnetは、ビッグベア太陽天文台の1.6メートルのグッド太陽望遠鏡のデータに適用される。
参考スコア（独自算出の注目度）: 6.659099851744079
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has drawn a lot of interest in recent years due to its effectiveness in processing big and complex observational data gathered from diverse instruments. Here we propose a new deep learning method, called SolarUnet, to identify and track solar magnetic flux elements or features in observed vector magnetograms based on the Southwest Automatic Magnetic Identification Suite (SWAMIS). Our method consists of a data pre-processing component that prepares training data from the SWAMIS tool, a deep learning model implemented as a U-shaped convolutional neural network for fast and accurate image segmentation, and a post-processing component that prepares tracking results. SolarUnet is applied to data from the 1.6 meter Goode Solar Telescope at the Big Bear Solar Observatory. When compared to the widely used SWAMIS tool, SolarUnet is faster while agreeing mostly with SWAMIS on feature size and flux distributions, and complementing SWAMIS in tracking long-lifetime features. Thus, the proposed physics-guided deep learning-based tool can be considered as an alternative method for solar magnetic tracking.
Abstract（参考訳）: 近年のディープラーニングは、さまざまな機器から収集された大規模で複雑な観測データを処理できることから、多くの関心を集めている。本稿では、swamis(southwest automatic magnetic identification suite)に基づいて、観測されたベクトル磁図の太陽磁束要素や特徴を同定・追跡する新しいディープラーニング手法であるsolarunetを提案する。 swamisツールからトレーニングデータを準備するデータ前処理コンポーネントと、高速で正確な画像分割のためのu字型畳み込みニューラルネットワークとして実装されたディープラーニングモデルと、追跡結果を作成する後処理コンポーネントとからなる。 SolarUnetはビッグベア太陽天文台の1.6メートルのグッド太陽望遠鏡のデータに適用される。広く使われているSWAMISツールと比較すると、SolarUnetは機能サイズとフラックス分布についてSWAMISとほぼ一致し、長期的特徴の追跡においてSWAMISを補完する。したがって、提案した物理誘導深層学習ツールを太陽磁気追跡の代替方法とみなすことができる。

関連論文リスト

Magnetogram-to-Magnetogram: Generative Forecasting of Solar Evolution [0.0]
DDPM(Denoising Diffusion Probabilistic Models)を用いた画像と画像の変換による視線(LoS)磁気グラムの進化予測手法を提案する。提案手法は,画像品質の「計算機科学メトリクス」と物理精度の「物理メトリクス」を組み合わせて,モデル性能の評価を行う。その結果, DDPMは, 太陽磁場の動的範囲, 磁束, 活動領域の大きさなどの物理的特徴の維持に有効であることが示唆された。
論文参考訳（メタデータ） (2024-07-16T12:28:10Z)
Extreme Solar Flare Prediction Using Residual Networks with HMI Magnetograms and Intensitygrams [0.0]
HMI強度図とマグネティックグラムを用いた極端太陽フレアの予測手法を提案する。強度図から太陽点を検出し、磁気グラムから磁場パッチを抽出することにより、極度のクラスフレアを分類するためにResidual Network(ResNet)を訓練する。我々のモデルは高精度で、極端太陽フレアを予測し、宇宙天気予報を改善するための堅牢なツールを提供する。
論文参考訳（メタデータ） (2024-05-23T16:17:16Z)
Salient Object Detection in Optical Remote Sensing Images Driven by Transformer [69.22039680783124]
光リモートセンシング画像(ORSI-SOD)のためのGlobal extract Local Exploration Network(GeleNet)を提案する。具体的には、GeleNetはまずトランスフォーマーバックボーンを採用し、グローバルな長距離依存関係を持つ4レベルの機能埋め込みを生成する。 3つの公開データセットに関する大規模な実験は、提案されたGeleNetが関連する最先端メソッドより優れていることを示している。
論文参考訳（メタデータ） (2023-09-15T07:14:43Z)
Solar Active Region Magnetogram Image Dataset for Studies of Space Weather [0.0]
このデータセットには3つのソースからのデータが含まれており、太陽活動領域のSDOヘリオサイスミックおよび磁気画像(HMI)マグネティックグラムを提供する。このデータセットは、磁気構造、時間の経過とともに進化し、太陽フレアとの関係に関する画像解析や太陽物理学の研究に有用である。このデータセットは、太陽フレア予測研究のベンチマークデータセットとして機能する、太陽活動領域の一定サイズの画像の、最小限の処理されたユーザーデータセットである。
論文参考訳（メタデータ） (2023-05-16T14:44:24Z)
A Deep Learning Approach to Generating Photospheric Vector Magnetograms of Solar Active Regions for SOHO/MDI Using SDO/HMI and BBSO Data [22.56276949415464]
我々は,SDO/HMIによるLOSマグネティックグラム,Bx,Byから,H-アルファ観測とともに学習するための新しい深層学習手法MagNetを提案する。深層学習がSOHO/MDIのための太陽活動領域の球面ベクトル磁気図を生成するのはこれが初めてである。
論文参考訳（メタデータ） (2022-11-04T06:21:32Z)
Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-03-02T09:11:36Z)
A Machine-Learning-Ready Dataset Prepared from the Solar and Heliospheric Observatory Mission [0.0]
太陽画像から標準データセットを生成するためのPythonツールを提案する。我々のツールは、SoHO(Solar and Heliospheric Observatory)とSolar Dynamics Observatory(Solar Dynamics Observatory)の両方のミッションから得られるすべての画像製品で動作する。
論文参考訳（メタデータ） (2021-08-04T21:23:29Z)
Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2021-04-05T14:15:49Z)
Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
論文参考訳（メタデータ） (2020-07-03T23:44:21Z)
Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文参考訳（メタデータ） (2020-02-17T19:06:05Z)
Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。