論文の概要: Spatial noise-aware temperature retrieval from infrared sounder data
- arxiv url: http://arxiv.org/abs/2012.05839v1
- Date: Wed, 9 Dec 2020 08:18:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 01:49:44.583956
- Title: Spatial noise-aware temperature retrieval from infrared sounder data
- Title(参考訳): 赤外音源データによる空間雑音認識温度検索
- Authors: David Malmgren-Hansen and Valero Laparra and Allan Aasbjerg Nielsen
and Gustau Camps-Valls
- Abstract要約: 本稿では,赤外線観測機から大気プロファイルを検索するための統合戦略を提案する。
このアプローチは空間情報とノイズ依存次元化アプローチを考察する。
主成分分析 (PCA) と最小雑音分解 (MNF) を比較し, 抽出した特徴量のコンパクト性と情報量について検討した。
- 参考スコア(独自算出の注目度): 14.131127382785973
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper we present a combined strategy for the retrieval of atmospheric
profiles from infrared sounders. The approach considers the spatial information
and a noise-dependent dimensionality reduction approach. The extracted features
are fed into a canonical linear regression. We compare Principal Component
Analysis (PCA) and Minimum Noise Fraction (MNF) for dimensionality reduction,
and study the compactness and information content of the extracted features.
Assessment of the results is done on a big dataset covering many spatial and
temporal situations. PCA is widely used for these purposes but our analysis
shows that one can gain significant improvements of the error rates when using
MNF instead. In our analysis we also investigate the relationship between error
rate improvements when including more spectral and spatial components in the
regression model, aiming to uncover the trade-off between model complexity and
error rates.
- Abstract(参考訳): 本稿では,赤外線観測機から大気プロファイルを検索するための統合戦略を提案する。
このアプローチは空間情報とノイズ依存次元化アプローチを考察する。
抽出した特徴は正準線形回帰に入力される。
主成分分析 (PCA) と最小雑音分解 (MNF) を比較し, 抽出した特徴量のコンパクト性と情報量について検討した。
結果の評価は、多くの空間的および時間的状況をカバーする大きなデータセット上で行われる。
PCAはこれらの目的で広く利用されているが,本分析により,MNFを用いた場合の誤差率を大幅に改善できることが示された。
また,回帰モデルにより多くのスペクトル成分と空間成分を含む場合の誤差率改善の関係について検討し,モデル複雑性と誤差率とのトレードオフを明らかにすることを目的とした。
関連論文リスト
- SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳(メタデータ) (2023-10-16T05:49:28Z) - Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。
我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文 参考訳(メタデータ) (2023-09-14T00:40:07Z) - Biases in Inverse Ising Estimates of Near-Critical Behaviour [0.0]
逆推論は、ペアワイズ相互作用を経験的相関から再構成することを可能にする。
Pseudo-likelihood (PLM) などの推定値に偏りが認められた。
データ駆動法は神経科学による機能的磁気共鳴イメージング(fMRI)データセットに研究され応用された。
論文 参考訳(メタデータ) (2023-01-13T14:01:43Z) - Improving the Robustness of Summarization Models by Detecting and
Removing Input Noise [50.27105057899601]
本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。
本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
論文 参考訳(メタデータ) (2022-12-20T00:33:11Z) - Multi-scale data reconstruction of turbulent rotating flows with Gappy
POD, Extended POD and Generative Adversarial Networks [2.0722840259036546]
本研究では, 回転する乱流スナップショットを空間的損傷(塗装)で再構成するために, 線形および非線形ツールを用いた。
統計的特性と瞬時速度場の両方を正確に再現することに注力する。
意外なことに、ポイントワイド再構成に関して、非線形GANは線形POD技術よりも優れていない。
論文 参考訳(メタデータ) (2022-10-21T12:44:39Z) - Amortized Bayesian Inference of GISAXS Data with Normalizing Flows [0.10752246796855561]
本稿では,変分オートエンコーダと正規化フローを組み合わせたシミュレーションに基づくフレームワークを提案し,パラメータの後方分布を推定する。
提案手法は,ABCと一貫した結果を生み出しながら,推定コストを桁違いに削減することを示した。
論文 参考訳(メタデータ) (2022-10-04T12:09:57Z) - Spatio-temporally separable non-linear latent factor learning: an
application to somatomotor cortex fMRI data [0.0]
潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。
空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。
本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
論文 参考訳(メタデータ) (2022-05-26T21:30:22Z) - HyperPCA: a Powerful Tool to Extract Elemental Maps from Noisy Data
Obtained in LIBS Mapping of Materials [7.648784748888189]
本稿では,データのスパース表現に基づくハイパースペクトル画像解析ツールHyperPCAを紹介する。
本手法は, 得られた情報量と品質の両面での優位性を示し, 解析面の物理化学的特性の改善を図っている。
論文 参考訳(メタデータ) (2021-11-30T07:52:44Z) - Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。
実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文 参考訳(メタデータ) (2021-04-05T21:44:00Z) - Enhanced Principal Component Analysis under A Collaborative-Robust
Framework [89.28334359066258]
重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。
提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。
特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
論文 参考訳(メタデータ) (2021-03-22T15:17:37Z)
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。