論文の概要: Deep Ice Layer Tracking and Thickness Estimation using Fully Convolutional Networks

• arxiv url: http://arxiv.org/abs/2009.00191v3
• Date: Wed, 13 Jan 2021 08:30:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 01:45:39.554973
• Title: Deep Ice Layer Tracking and Thickness Estimation using Fully Convolutional Networks
• Title（参考訳）: 完全畳み込みネットワークを用いた深氷層追跡と厚さ推定
• Authors: Debvrat Varshney, Maryam Rahnemoonfar, Masoud Yari, and John Paden
• Abstract要約: 本研究では,Snow Radar画像とFully Convolutional Networksを用いて,各内部氷層の厚さを推定する新しい手法を提案する。 推定された厚さは、毎年雪の蓄積を理解するために利用することができる。
• 参考スコア（独自算出の注目度）: 0.5249805590164901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global warming is rapidly reducing glaciers and ice sheets across the world. Real time assessment of this reduction is required so as to monitor its global climatic impact. In this paper, we introduce a novel way of estimating the thickness of each internal ice layer using Snow Radar images and Fully Convolutional Networks. The estimated thickness can be used to understand snow accumulation each year. To understand the depth and structure of each internal ice layer, we perform multi-class semantic segmentation on radar images, which hasn't been performed before. As the radar images lack good training labels, we carry out a pre-processing technique to get a clean set of labels. After detecting each ice layer uniquely, we calculate its thickness and compare it with the processed ground truth. This is the first time that each ice layer is detected separately and its thickness calculated through automated techniques. Through this procedure we were able to estimate the ice-layer thicknesses within a Mean Absolute Error of approximately 3.6 pixels. Such a Deep Learning based method can be used with ever-increasing datasets to make accurate assessments for cryospheric studies.
• Abstract（参考訳）: 地球温暖化は世界中の氷河や氷床を急速に減らしている。 この削減のリアルタイム評価は、地球の気候への影響を監視するために必要である。 本論文では,Snow Radar画像とFully Convolutional Networksを用いて,各内部氷層の厚さを推定する新しい手法を提案する。 推定厚さは毎年雪の蓄積を理解するために使われる。 内部氷層の深さと構造を理解するため,レーダ画像のマルチクラスセマンティックセマンティックセマンティックセグメンテーションを行う。 レーダ画像には良好なトレーニングラベルがないため、クリーンなラベルセットを得るための事前処理技術を実行します。 各氷層を一意に検出した後、厚みを計算し、加工した地層真実と比較する。 各氷層が別々に検出され、その厚さが自動化技術によって計算されるのはこれが初めてである。 この方法で約3.6ピクセルの平均絶対誤差内の氷層厚を推定することができた。 このような深層学習に基づく手法は、常に増大するデータセットを用いて、凍結圏研究の正確な評価を行うことができる。

関連論文リスト

• Multi-Sensor Deep Learning for Glacier Mapping [0.0]
  氷床の外の氷河は、海面上昇、水資源管理、自然災害、生物多様性、観光に影響を及ぼすことで、我々の社会において重要な役割を担っている。 衛星ベースの氷河マッピングアプリケーションは、歴史的に主に手動および半自動検出法に依存してきた。 この章では、マルチセンサーのリモートセンシングデータとディープラーニングを組み合わせることで、氷河をより正確に表現し、時間的変化を検出する方法についてレビューする。
  論文  参考訳（メタデータ） (2024-09-18T14:51:36Z)
• Multiple Random Masking Autoencoder Ensembles for Robust Multimodal Semi-supervised Learning [64.81450582542878]
  コンピュータビジョンや機械学習には、現実の問題が増えている。 衛星データから地球観測を行う場合、一つの観測層を予測できることが重要である。
  論文  参考訳（メタデータ） (2024-02-12T20:08:58Z)
• Scalable Glacier Mapping using Deep Learning and Open Earth Observation Data Matches the Accuracy of Manual Delineation [0.718723384367814]
  Glacier-VisionTransformer-U-Net (GlaViTU) は畳み込み変換型ディープラーニングモデルである。 合成開口レーダデータ、すなわち後方散乱と干渉コヒーレンスを追加することで、利用可能なすべての領域の精度が向上する。 世界中の氷河の9%をカバーするベンチマークデータセットをリリースしました。
  論文  参考訳（メタデータ） (2024-01-25T20:41:17Z)
• Prediction of Deep Ice Layer Thickness Using Adaptive Recurrent Graph Neural Networks [0.38073142980732994]
  積雪予測に適応的かつ反復的なグラフ畳み込みネットワークを用いた機械学習モデルを提案する。 我々は,従来のモデルと同等の非時間的,非幾何学的,非適応的モデルよりも,より優れた一貫性を持つモデルを見出した。
  論文  参考訳（メタデータ） (2023-06-22T19:59:54Z)
• Prediction of Annual Snow Accumulation Using a Recurrent Graph Convolutional Approach [0.38073142980732994]
  近年、スノーレーダーのような空中レーダーセンサーは、垂直解像度の細かい大きな領域で内部の氷層を計測できることが示されている。 本研究では,グラフアテンションネットワークに基づくモデルを用いて,より大規模なデータセット上での入力データポイントの少ない年次積雪データポイントの予測を行った。
  論文  参考訳（メタデータ） (2023-06-22T19:48:34Z)
• Gradient-based Weight Density Balancing for Robust Dynamic Sparse Training [59.48691524227352]
  スパースニューラルネットワークをゼロからトレーニングするには、接続自体と同時にコネクションを最適化する必要がある。 トレーニング中に各レイヤ間の接続は複数回最適化されるが、各レイヤの密度は通常一定である。 我々は、すべての層に重みを分散するテクニックであるGlobal Gradient-based Redistributionを提案する。
  論文  参考訳（メタデータ） (2022-10-25T13:32:09Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
  氷河マッピングは、hkh領域における生態モニタリングの鍵となる。 気候変動は、氷河生態系の健康に依存している個人にリスクを与える。 本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-09T12:48:06Z)
• Deep Tiered Image Segmentation For Detecting Internal Ice Layers in Radar Imagery [8.09102093271587]
  地中レーダーは、雪と氷の内部構造を観測することができる。 近年の研究では、氷と岩盤の境界を見つけるための自動技術が開発されている。 本稿では,階層分割問題の一般的なクラスを解くための新しいディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-10-08T01:13:03Z)
• Calibrating Self-supervised Monocular Depth Estimation [77.77696851397539]
  近年、ニューラルネットワークが深度を学習し、画像のシーケンスに変化を起こさせる能力を示す方法は、訓練信号として自己スーパービジョンのみを使用している。 カメラの構成や環境に関する事前情報を取り入れることで,センサの追加に頼ることなく,自己教師型定式化を用いて,スケールのあいまいさを排除し,深度を直接予測できることを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:35:45Z)
• Improving Deep Stereo Network Generalization with Geometric Priors [93.09496073476275]
  地上の真実が密集した多様な現実世界のシーンの大規模なデータセットを得ることは困難である。 多くのアルゴリズムは、似たようなシーンや合成データセットの小さな実世界のデータセットに依存している。 本稿では,シーン幾何学の事前知識をエンド・ツー・エンドのステレオネットワークに統合し,ネットワークの一般化を支援することを提案する。
  論文  参考訳（メタデータ） (2020-08-25T15:24:02Z)

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。