論文の概要: Classification and understanding of cloud structures via satellite images with EfficientUNet

• arxiv url: http://arxiv.org/abs/2009.12931v4
• Date: Fri, 9 Jul 2021 22:21:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:53:57.255352
• Title: Classification and understanding of cloud structures via satellite images with EfficientUNet
• Title（参考訳）: 効率的な衛星画像による雲構造の分類と理解
• Authors: Tashin Ahmed and Noor Hossain Nuri Sabab
• Abstract要約: CNN(Convolutional Neural Network)の新しいスケールアップバージョンを用いて,クラウド組織パターンの分類を行った。 ダイス係数は最終評価基準に使われており、カグル競技においてそれぞれ66.26%と66.02%のスコアを得た。
• 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: Climate change has been a common interest and the forefront of crucial political discussion and decision-making for many years. Shallow clouds play a significant role in understanding the Earth's climate, but they are challenging to interpret and represent in a climate model. By classifying these cloud structures, there is a better possibility of understanding the physical structures of the clouds, which would improve the climate model generation, resulting in a better prediction of climate change or forecasting weather update. Clouds organise in many forms, which makes it challenging to build traditional rule-based algorithms to separate cloud features. In this paper, classification of cloud organization patterns was performed using a new scaled-up version of Convolutional Neural Network (CNN) named as EfficientNet as the encoder and UNet as decoder where they worked as feature extractor and reconstructor of fine grained feature map and was used as a classifier, which will help experts to understand how clouds will shape the future climate. By using a segmentation model in a classification task, it was shown that with a good encoder alongside UNet, it is possible to obtain good performance from this dataset. Dice coefficient has been used for the final evaluation metric, which gave the score of 66.26\% and 66.02\% for public and private (test set) leaderboard on Kaggle competition respectively.
• Abstract（参考訳）: 気候変動は、長年にわたって重要な政治議論と意思決定の最前線であり、共通の関心事であった。 浅層雲は地球の気候を理解する上で重要な役割を果たすが、気候モデルで解釈し表現することは困難である。 これらの雲構造を分類することで、雲の物理的構造を理解する可能性が高くなり、気候モデルの生成が改善され、気候変動の予測や天気予報がより良くなる。 クラウドは多くの形式で編成されるため、従来のルールベースのアルゴリズムを構築してクラウド機能を分離することは困難である。 本稿では,コンボリューションニューラルネット(cnn)をエンコーダとして,unetをデコーダとして,細粒度特徴マップの抽出と再構成を行い,分類器として活用し,専門家が雲が将来的な気候をどのように形成するかを理解するのに役立つような,クラウド組織パターンの分類を行った。 分類タスクでセグメンテーションモデルを使用することで、UNetと共に優れたエンコーダを使用することで、このデータセットから優れたパフォーマンスを得ることができることを示した。 ダイス係数は最終評価基準に使われており、カグル競技においてそれぞれ66.26\%と66.02\%のスコアを得た。

関連論文リスト

• Masked Spatio-Temporal Structure Prediction for Self-supervised Learning on Point Cloud Videos [75.9251839023226]
  人間のアノテーションを使わずにポイントクラウドビデオの構造をキャプチャするMasked-temporal Structure Prediction (MaST-Pre)法を提案する。 MaST-Preは,2つの自己指導型学習タスクから構成される。まず,マスク付きポイントチューブを再構築することにより,ポイントクラウドビデオの出現情報を捉えることができる。 第2に、動作を学習するために、点管内の点数の変化を推定する時間的濃度差予測タスクを提案する。
  論文  参考訳（メタデータ） (2023-08-18T02:12:54Z)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Insight into cloud processes from unsupervised classification with a rotationally invariant autoencoder [10.739352302280667]
  現在の雲分類スキームは1ピクセルの雲の性質に基づいており、空間構造やテクスチャを考慮できない。 コンピュータビジョンの最近の進歩は、人間の事前に定義されたラベルを使わずに、画像の異なるパターンをグループ化することを可能にする。 新たなAI駆動型クラウド分類アトラス(AICCA)の生成にこのような手法を用いることについて述べる。
  論文  参考訳（メタデータ） (2022-11-02T04:08:32Z)
• AICCA: AI-driven Cloud Classification Atlas [0.0]
  本研究は, 衛星雲観測の次元性を, 自動化された非教師なしの雲分類技術を用いてグループ化することによって低減する。 このアプローチを使用して、AI駆動型クラウド分類アトラス(AICCA)という、ユニークな新しいクラウドデータセットを生成します。
  論文  参考訳（メタデータ） (2022-09-29T21:01:31Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning [53.1436669083784]
  本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。 分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
  論文  参考訳（メタデータ） (2022-01-20T15:04:12Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• Multi-scale Receptive Fields Graph Attention Network for Point Cloud Classification [35.88116404702807]
  MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。 その結果,形状分類作業における最先端性能が得られた。
  論文  参考訳（メタデータ） (2020-09-28T13:01:28Z)
• CloudCast: A Satellite-Based Dataset and Baseline for Forecasting Clouds [0.0]
  本稿では,CloudCast'と呼ばれる新しい衛星ベースのデータセットを提案する。 画像は70,080枚で、雲の種類は10種類あり、大気の複数の層がピクセルレベルでアノテートされている。 データセットの空間解像度は928 x 1530ピクセル(1ピクセルあたり3x3km)で、2017-01-01から2018-12-31までのフレーム間隔は15分である。
  論文  参考訳（メタデータ） (2020-07-15T20:20:55Z)

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。