論文の概要: Generating the Cloud Motion Winds Field from Satellite Cloud Imagery Using Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2010.01283v2
• Date: Sun, 30 May 2021 07:21:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 09:09:57.978353
• Title: Generating the Cloud Motion Winds Field from Satellite Cloud Imagery Using Deep Learning Approach
• Title（参考訳）: 深層学習を用いた衛星雲画像からの雲の風場生成
• Authors: Chao Tan
• Abstract要約: データ駆動型ディープラーニングアプローチに基づくクラウドモーションウィンドアルゴリズムについて検討する。 深層学習モデルを用いて、運動特徴表現を自動的に学習し、雲の風の場を直接出力する。 我々はまた、従来のアルゴリズムでは達成できない固定領域における雲の動きの風場を予測するために、単一の雲画像を使用することも試みている。
• 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: Cloud motion winds (CMW) are routinely derived by tracking features in sequential geostationary satellite infrared cloud imagery. In this paper, we explore the cloud motion winds algorithm based on data-driven deep learning approach, and different from conventional hand-craft feature tracking and correlation matching algorithms, we use deep learning model to automatically learn the motion feature representations and directly output the field of cloud motion winds. In addition, we propose a novel large-scale cloud motion winds dataset (CMWD) for training deep learning models. We also try to use a single cloud imagery to predict the cloud motion winds field in a fixed region, which is impossible to achieve using traditional algorithms. The experimental results demonstrate that our algorithm can predict the cloud motion winds field efficiently, and even with a single cloud imagery as input.
• Abstract（参考訳）: 雲の動き風(CMW)は、連続した静止衛星の赤外線雲像の追跡機能によって定期的に引き起こされる。 本稿では,データ駆動型深層学習アルゴリズムと従来の手工品の特徴追跡と相関マッチングアルゴリズムとは異なるクラウドモーションウィンドアルゴリズムを探索し,ディープラーニングモデルを用いて動き特徴表現を自動的に学習し,クラウドモーションウィンドのフィールドを直接出力する。 さらに、ディープラーニングモデルのトレーニングを行うための、新しい大規模クラウドモーションウィンドデータセット(cmwd)を提案する。 我々はまた、従来のアルゴリズムでは達成できない固定領域における雲の動きの風場を予測するために、単一の雲画像を使用することも試みている。 実験の結果,1つのクラウドイメージを入力として,雲の動き風場を効率的に予測できることがわかった。

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)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• 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)
• Cloud Classification with Unsupervised Deep Learning [6.285964948191585]
  我々のフレームワークは、NASAのMODIS(Moderate Resolution Imaging Spectroradiometer)衛星機器によって生成された放射データから直接雲の特徴を学習する。 本手法は,放射データから物理的に関連のある情報を抽出し,意味のあるクラウドクラスを生成することを示す予備的な結果を示す。
  論文  参考訳（メタデータ） (2022-09-30T16:56:58Z)
• 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)
• TPCN: Temporal Point Cloud Networks for Motion Forecasting [47.829152433166016]
  軌道予測のための空間的・時間的共同学習フレームワークを提案する。 空間的次元ではエージェントは無秩序な点集合と見なすことができ、したがってエージェントの位置をモデル化するためにポイントクラウド学習技術を適用することは容易である。 Argoverse運動予測ベンチマークの実験は、私たちのアプローチが最先端の結果を達成することを示しています。
  論文  参考訳（メタデータ） (2021-03-04T14:44:32Z)
• Cloud detection machine learning algorithms for PROBA-V [6.950862982117125]
  本論文で提示されるアルゴリズムの目的は,ピクセル当たりのクラウドフラグを正確に提示するクラウドを検出することである。 提案手法の有効性を,多数の実proba-v画像を用いて検証した。
  論文  参考訳（メタデータ） (2020-12-09T18:23:59Z)
• A deep network approach to multitemporal cloud detection [15.39911641413792]
  Meteosat Second Generation (MSG) 衛星に搭載された Seviri Imager によって取得された画像時系列における雲を検出するための時間記憶付きディープラーニングモデルを提案する。 モデルは、ピクセルレベルのクラウドマップと関連する信頼性を提供し、繰り返しニューラルネットワーク構造を介して時間の情報を伝達します。
  論文  参考訳（メタデータ） (2020-12-09T08:58:36Z)
• Thick Cloud Removal of Remote Sensing Images Using Temporal Smoothness and Sparsity-Regularized Tensor Optimization [3.65794756599491]
  リモートセンシング画像では、雲の影に付随する厚い雲の存在が確率の高い事象である。 時間的滑らか度と空間規則化テンソル最適化に基づくリモートセンシング画像の高密度クラウド除去手法を提案する。
  論文  参考訳（メタデータ） (2020-08-11T05:59:20Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。