論文の概要: Data-driven Cloud Clustering via a Rotationally Invariant Autoencoder
- arxiv url: http://arxiv.org/abs/2103.04885v1
- Date: Mon, 8 Mar 2021 16:45:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-09 15:19:05.764871
- Title: Data-driven Cloud Clustering via a Rotationally Invariant Autoencoder
- Title（参考訳）: 回転不変オートエンコーダによるデータ駆動型クラウドクラスタリング
- Authors: Takuya Kurihana, Elisabeth Moyer, Rebecca Willett, Davis Gilton, and
Ian Foster
- Abstract要約: 自動回転不変クラウドクラスタリング(RICC)法について述べる。
大規模なデータセット内のクラウドイメージを教師なしの方法で整理する。
その結果、クラウドクラスタはクラウド物理の有意義な側面を捉えていることが示唆された。
- 参考スコア（独自算出の注目度）: 10.660968055962325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advanced satellite-born remote sensing instruments produce high-resolution
multi-spectral data for much of the globe at a daily cadence. These datasets
open up the possibility of improved understanding of cloud dynamics and
feedback, which remain the biggest source of uncertainty in global climate
model projections. As a step towards answering these questions, we describe an
automated rotation-invariant cloud clustering (RICC) method that leverages deep
learning autoencoder technology to organize cloud imagery within large datasets
in an unsupervised fashion, free from assumptions about predefined classes. We
describe both the design and implementation of this method and its evaluation,
which uses a sequence of testing protocols to determine whether the resulting
clusters: (1) are physically reasonable, (i.e., embody scientifically relevant
distinctions); (2) capture information on spatial distributions, such as
textures; (3) are cohesive and separable in latent space; and (4) are
rotationally invariant, (i.e., insensitive to the orientation of an image).
Results obtained when these evaluation protocols are applied to RICC outputs
suggest that the resultant novel cloud clusters capture meaningful aspects of
cloud physics, are appropriately spatially coherent, and are invariant to
orientations of input images. Our results support the possibility of using an
unsupervised data-driven approach for automated clustering and pattern
discovery in cloud imagery.
- Abstract（参考訳）: 高度衛星リモートセンシング装置は、地球の大部分で日々の周期で高解像度のマルチスペクトルデータを生成する。
これらのデータセットは、グローバルな気候モデル予測における最大の不確実性の源であるクラウドダイナミクスとフィードバックの理解の改善の可能性を開く。
これらの質問に答える第一歩として、ディープラーニングオートエンコーダ技術を活用して、事前に定義されたクラスに関する仮定なしで、大規模データセット内でクラウドイメージを整理する、自動回転不変クラウドクラスタリング(RICC)手法について述べる。
本手法の設計及び実装と評価の両方について述べるとともに,(1)物理的に合理的である,(2)テクスチャなどの空間分布に関する情報の収集,(3)潜在空間における凝集性と分離性,(4)回転不変であること,(画像の向きに敏感でないこと)を判定するための一連のテストプロトコルを用いて評価する。
これらの評価プロトコルをricc出力に適用した場合の結果、クラウド物理学の有意義な側面を捉え、空間的に一貫性があり、入力画像の向きに不変であることが示唆される。
クラウドイメージにおける自動クラスタリングとパターン検出のための教師なしデータ駆動アプローチの利用の可能性について検討した。
関連論文リスト
- PGCS: Physical Law embedded Generative Cloud Synthesis in Remote Sensing Images [9.655563155560658]
物理法則組み込みクラウド合成法 (PGCS) は, 実データを改善するために, 多様な現実的なクラウド画像を生成するために提案されている。
2つの雲補正法がPGCSから開発され、雲補正作業における最先端手法と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-22T12:36:03Z) - Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。
注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文 参考訳（メタデータ） (2024-09-20T07:41:47Z) - Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。
本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。
本手法は,既存の学習手法と比較して,高い普遍性を示す。
論文 参考訳（メタデータ） (2024-05-19T09:19:40Z) - Distribution-aware Interactive Attention Network and Large-scale Cloud
Recognition Benchmark on FY-4A Satellite Image [24.09239785062109]
我々は,正確なクラウド認識のための新しいデータセットを開発した。
領域適応法を用いて,70,419個の画像ラベル対を投影,時間分解能,空間分解能の点で整列する。
また,高解像度ブランチと並列クロスブランチにより画素レベルの詳細を保存できる分散対応インタラクティブアテンションネットワーク(DIAnet)を導入する。
論文 参考訳（メタデータ） (2024-01-06T09:58:09Z) - Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud
Analysis [74.00441177577295]
ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。
本稿では,軽量点雲モデルのための特徴蒸留について検討する。
本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
論文 参考訳（メタデータ） (2023-10-08T11:32:50Z) - Hyperspherical Embedding for Point Cloud Completion [25.41194214006682]
本稿では,エンコーダから単位超球面への埋め込みを変換し,正規化する超球面モジュールを提案する。
理論的には超球面埋め込みを解析し、より広い学習率とよりコンパクトな埋め込み分布でより安定したトレーニングを可能にすることを示す。
実験結果から,シングルタスク学習とマルチタスク学習の両方において,ポイントクラウドの完成度が一貫した改善を示した。
論文 参考訳（メタデータ） (2023-07-11T08:18:37Z) - 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) - Data Augmentation-free Unsupervised Learning for 3D Point Cloud
Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。
我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文 参考訳（メタデータ） (2022-10-06T10:18:16Z) - Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit
Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。
実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文 参考訳（メタデータ） (2022-04-18T07:18:25Z) - Learning Rotation-Invariant Representations of Point Clouds Using
Aligned Edge Convolutional Neural Networks [29.3830445533532]
ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。
点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。
この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。
本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-01-02T17:36:00Z) - 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。