論文の概要: Crop Classification under Varying Cloud Cover with Neural Ordinary
Differential Equations
- arxiv url: http://arxiv.org/abs/2012.02542v1
- Date: Fri, 4 Dec 2020 11:56:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 05:56:43.986127
- Title: Crop Classification under Varying Cloud Cover with Neural Ordinary
Differential Equations
- Title(参考訳): ニューラル常微分方程式を用いた雲被覆変化下の作物分類
- Authors: Nando Metzger, Mehmet Ozgur Turkoglu, Stefano D'Aronco, Jan Dirk
Wegner, Konrad Schindler
- Abstract要約: 作物分類の最先端の手法は、観測間の時間間隔を暗黙的に仮定する手法に依存している。
本稿では,ニューラル常微分方程式 (NODE) とリカレントニューラルネットワーク (RNN) を組み合わせることで,不規則に空間化された画像列における作物の種類を分類することを提案する。
- 参考スコア(独自算出の注目度): 23.93148719731374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optical satellite sensors cannot see the Earth's surface through clouds.
Despite the periodic revisit cycle, image sequences acquired by Earth
observation satellites are therefore irregularly sampled in time.
State-of-the-art methods for crop classification (and other time series
analysis tasks) rely on techniques that implicitly assume regular temporal
spacing between observations, such as recurrent neural networks (RNNs). We
propose to use neural ordinary differential equations (NODEs) in combination
with RNNs to classify crop types in irregularly spaced image sequences. The
resulting ODE-RNN models consist of two steps: an update step, where a
recurrent unit assimilates new input data into the model's hidden state; and a
prediction step, in which NODE propagates the hidden state until the next
observation arrives. The prediction step is based on a continuous
representation of the latent dynamics, which has several advantages. At the
conceptual level, it is a more natural way to describe the mechanisms that
govern the phenological cycle. From a practical point of view, it makes it
possible to sample the system state at arbitrary points in time, such that one
can integrate observations whenever they are available, and extrapolate beyond
the last observation. Our experiments show that ODE-RNN indeed improves
classification accuracy over common baselines such as LSTM, GRU, and temporal
convolution. The gains are most prominent in the challenging scenario where
only few observations are available (i.e., frequent cloud cover). Moreover, we
show that the ability to extrapolate translates to better classification
performance early in the season, which is important for forecasting.
- Abstract(参考訳): 光学衛星センサーは雲を通して地球の表面を見ることができない。
周期的な再観測サイクルにもかかわらず、地球観測衛星が取得した画像シーケンスは不規則に時間内にサンプリングされる。
作物分類のための最先端の手法(および他の時系列分析タスク)は、リカレントニューラルネットワーク(RNN)のような観測間の通常の時間間隔を暗黙的に仮定する技術に依存している。
本稿では,rnnと組み合わせたニューラル常微分方程式(ノード)を用いて不規則間隔画像列における作物種別を分類する。
その結果得られたode-rnnモデルは、更新ステップ、再帰ユニットがモデルの隠れた状態に新しい入力データを同化するステップ、ノードが次の観測が到着するまで隠れた状態を伝播する予測ステップの2つのステップで構成される。
予測ステップは、いくつかの利点がある潜在力学の連続的な表現に基づいている。
概念レベルでは、現象論的サイクルを管理するメカニズムを記述するのがより自然な方法である。
現実的な観点では、システムの状態を任意の時点にサンプリングすることが可能であり、必要な時に観測を統合することができ、最後の観測を超えて外挿することができる。
実験の結果,ODE-RNNはLSTM,GRU,時間的畳み込みなどの共通ベースラインよりも分類精度が向上していることがわかった。
この利得は、わずかしか観測できない(クラウドカバーの頻繁さ)困難なシナリオにおいて最も顕著である。
さらに,外挿能力は季節の早い段階での分類性能の向上に寄与し,予測に重要であることを示す。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳(メタデータ) (2023-01-05T22:10:16Z) - Continuous Depth Recurrent Neural Differential Equations [0.0]
RNNモデルを一般化するための連続深さ再帰型ニューラル微分方程式(CDR-NDE)を提案する。
CDR-NDEはこれらの次元のそれぞれに2つの異なる微分方程式を考慮し、時間方向と深さ方向の進化をモデル化する。
また,隠蔽状態の計算を時間経過に伴う熱方程式の解法として扱う偏微分方程式に基づくCDR-NDE熱モデルを提案する。
論文 参考訳(メタデータ) (2022-12-28T06:34:32Z) - Learning to Reconstruct Missing Data from Spatiotemporal Graphs with
Sparse Observations [11.486068333583216]
本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。
我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。
技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
論文 参考訳(メタデータ) (2022-05-26T16:40:48Z) - Modeling Irregular Time Series with Continuous Recurrent Units [3.7335080869292483]
観測時間間の不規則な時間間隔を処理するために,連続的再帰単位(CRU)を提案する。
我々はCRUがニューラル常微分方程式(neural ODE)に基づくモデルよりも不規則時系列を補間できることを示した。
また,本モデルでは,インエイジからダイナミックスを推測し,Kalmanの取得により,ノイズの多い観測結果から,有効な状態更新候補を効率よく抽出できることも示している。
論文 参考訳(メタデータ) (2021-11-22T16:49:15Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳(メタデータ) (2021-03-23T09:32:06Z) - Handling Missing Observations with an RNN-based Prediction-Update Cycle [10.478312054103975]
追跡などのタスクでは、時系列データは必然的に観察を欠いている。
本稿では,動作状態推定のための全時間フィルタリングサイクルを提供するRNNベースのアプローチを提案する。
論文 参考訳(メタデータ) (2021-03-22T11:55:10Z) - Neural Jump Ordinary Differential Equations: Consistent Continuous-Time
Prediction and Filtering [6.445605125467574]
我々は、連続的に学習するデータ駆動型アプローチを提供するNeural Jump ODE(NJ-ODE)を紹介する。
我々のモデルは、$L2$-Optimalオンライン予測に収束することを示す。
我々は,より複雑な学習タスクにおいて,モデルがベースラインより優れていることを示す。
論文 参考訳(メタデータ) (2020-06-08T16:34:51Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z)
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。