論文の概要: TCLNet: Learning to Locate Typhoon Center Using Deep Neural Network
- arxiv url: http://arxiv.org/abs/2010.01282v2
- Date: Sun, 30 May 2021 07:19:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 09:10:16.767444
- Title: TCLNet: Learning to Locate Typhoon Center Using Deep Neural Network
- Title（参考訳）: TCLNet:ディープニューラルネットワークによる台風センターの配置学習
- Authors: Chao Tan
- Abstract要約: そこで本研究では,TCLNetという完全畳み込み型深層ニューラルネットワークを提案し,台風中心位置を自動的に特定する。
本モデルでは,SOTA深層学習による台風中心位置推定法と比較して,パラメータの92.7%削減に基づいて14.4%の精度向上を実現している。
- 参考スコア（独自算出の注目度）: 1.8655840060559172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of typhoon center location plays an important role in typhoon
intensity analysis and typhoon path prediction. Conventional typhoon center
location algorithms mostly rely on digital image processing and mathematical
morphology operation, which achieve limited performance. In this paper, we
proposed an efficient fully convolutional end-to-end deep neural network named
TCLNet to automatically locate the typhoon center position. We design the
network structure carefully so that our TCLNet can achieve remarkable
performance base on its lightweight architecture. In addition, we also present
a brand new large-scale typhoon center location dataset (TCLD) so that the
TCLNet can be trained in a supervised manner. Furthermore, we propose to use a
novel TCL+ piecewise loss function to further improve the performance of
TCLNet. Extensive experimental results and comparison demonstrate the
performance of our model, and our TCLNet achieve a 14.4% increase in accuracy
on the basis of a 92.7% reduction in parameters compared with SOTA deep
learning based typhoon center location methods.
- Abstract（参考訳）: 台風中心地点の課題は台風強度解析と台風経路予測において重要な役割を担っている。
従来の台風センター位置推定アルゴリズムは主にデジタル画像処理と数学的形態操作に依存しており、性能は限られている。
本稿では,台風中心位置を自動的に特定する効率的な完全畳み込み型深層ニューラルネットワークTCLNetを提案する。
ネットワーク構造を慎重に設計し、TCLNetがその軽量アーキテクチャ上で優れたパフォーマンスを達成できるようにします。
さらに,新しい大規模台風センター位置データセット(TCLD)も提示し,TCLNetを教師付きでトレーニングできるようにした。
さらに,新たなtcl+分割損失関数を用いて,tclnetの性能をさらに向上させる。
広範な実験結果と比較により,tclnetはsoma深層学習による台風中心位置法と比較してパラメータの92.7%削減により,14.4%の精度向上を達成した。
関連論文リスト
- Block Pruning for Enhanced Efficiency in Convolutional Neural Networks [7.110116320545541]
本稿では,エッジコンピューティング環境におけるディープニューラルネットワークにおけるブロックプルーニングを対象とする,ネットワークプルーニングに対する新しいアプローチを提案する。
提案手法は,プロキシメトリクスを利用する従来の手法とは異なっており,直接ブロック除去手法を用いて分類精度への影響を評価する。
論文 参考訳（メタデータ） (2023-12-28T08:54:48Z) - LKD-Net: Large Kernel Convolution Network for Single Image Dehazing [70.46392287128307]
本稿では,LKCB(Large Kernel Convolution Dehaze Block)とCEFN(Channel Enhanced Feed-forward Network)を組み合わせた新しいLKDブロックを提案する。
設計されたDLKCBは、大規模なカーネルの畳み込みを、大量のパラメータや計算オーバーヘッドを伴わずに、より小さな奥行きの畳み込みと奥行きの縮み込みに分割することができる。
我々のLKD-NetはTransformerベースのメソッドであるDehamerを1.79%の#Paramと48.9%のFLOPで劇的に上回っている。
論文 参考訳（メタデータ） (2022-09-05T06:56:48Z) - Searching for Network Width with Bilaterally Coupled Network [75.43658047510334]
この問題に対処するため、BCNet(Bilaterally Coupled Network)と呼ばれる新しいスーパーネットを導入する。
BCNetでは、各チャネルは高度に訓練され、同じ量のネットワーク幅を担っているため、ネットワーク幅をより正確に評価することができる。
本稿では,Channel-Bench-Macroというマクロ構造に対するオープンソースのワイド・ベンチマークを提案し,ワイド・サーチ・アルゴリズムの比較を行った。
論文 参考訳（メタデータ） (2022-03-25T15:32:46Z) - CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。
CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。
CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
論文 参考訳（メタデータ） (2021-10-21T06:26:31Z) - PP-LCNet: A Lightweight CPU Convolutional Neural Network [5.400569330093269]
PP-LCNetという,MKLDNNの高速化戦略に基づく軽量CPUネットワークを提案する。
本稿では,レイテンシがほぼ一定でありながら,ネットワークの精度を向上させる技術について述べる。
PP-LCNetは以前のネットワーク構造を大幅に上回り、同じ推論時間で分類できる。
論文 参考訳（メタデータ） (2021-09-17T11:35:32Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - BCNet: Searching for Network Width with Bilaterally Coupled Network [56.14248440683152]
この問題に対処するため、BCNet(Bilaterally Coupled Network)と呼ばれる新しいスーパーネットを導入する。
BCNetでは、各チャネルは高度に訓練され、同じ量のネットワーク幅を担っているため、ネットワーク幅をより正確に評価することができる。
提案手法は,他のベースライン手法と比較して,最先端あるいは競合的な性能を実現する。
論文 参考訳（メタデータ） (2021-05-21T18:54:03Z) - Cascade Network with Guided Loss and Hybrid Attention for Two-view
Geometry [32.52184271700281]
本稿では,損失とFn値の直接負の相関関係を確立するためのガイド付き損失を提案する。
次に,特徴抽出のためのハイブリットアテンションブロックを提案する。
実験により,我々のネットワークは,ベンチマークデータセットの最先端性能を達成することが示された。
論文 参考訳（メタデータ） (2020-07-11T07:44:04Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z) - Optimization of Operation Strategy for Primary Torque based hydrostatic
Drivetrain using Artificial Intelligence [0.0]
静水圧移動機のための新しい一次トルク制御の概念が2018年に導入された。
Yサイクルで作業している間、一次トルク制御ホイールローダは、二次制御土木よりも効率が悪くなる。
本稿では,CNN,RNN,DNNを組み合わせた一連のCRDNNを提案し,Yサイクルを正確に検出する。
論文 参考訳（メタデータ） (2020-03-22T22:16:39Z)
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。