論文の概要: SCSS-Net: Solar Corona Structures Segmentation by Deep Learning

• arxiv url: http://arxiv.org/abs/2109.10834v1
• Date: Wed, 22 Sep 2021 16:51:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:30:32.902522
• Title: SCSS-Net: Solar Corona Structures Segmentation by Deep Learning
• Title（参考訳）: SCSS-Net:ディープラーニングによる太陽コロナ構造セグメンテーション
• Authors: \v{S}imon Mackovjak, Martin Harman, Viera Maslej-Kre\v{s}\v{n}\'akov\'a, Peter Butka
• Abstract要約: 太陽コロナの構造は、直接的または間接的に地球に影響を与える可能性のある宇宙の気象過程の主要な要因である。 本研究では,EUVスペクトルで観測された太陽コロナ構造の自動セグメンテーション法を開発した。 このモデルの出力は、太陽活動と地球への宇宙気象の影響の間の関係について、より統計的に研究するために使われる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Structures in the solar corona are the main drivers of space weather processes that might directly or indirectly affect the Earth. Thanks to the most recent space-based solar observatories, with capabilities to acquire high-resolution images continuously, the structures in the solar corona can be monitored over the years with a time resolution of minutes. For this purpose, we have developed a method for automatic segmentation of solar corona structures observed in EUV spectrum that is based on a deep learning approach utilizing Convolutional Neural Networks. The available input datasets have been examined together with our own dataset based on the manual annotation of the target structures. Indeed, the input dataset is the main limitation of the developed model's performance. Our \textit{SCSS-Net} model provides results for coronal holes and active regions that could be compared with other generally used methods for automatic segmentation. Even more, it provides a universal procedure to identify structures in the solar corona with the help of the transfer learning technique. The outputs of the model can be then used for further statistical studies of connections between solar activity and the influence of space weather on Earth.
• Abstract（参考訳）: 太陽コロナの構造は、直接的または間接的に地球に影響を与えるかもしれない宇宙天気の過程の主要な原動力である。 最新の宇宙ベースの太陽観測所のおかげで、高解像度の画像を連続的に取得できるようになり、太陽コロナの構造を時間分解能で監視することができる。 本研究では,畳み込みニューラルネットワークを用いた深層学習に基づく,EUVスペクトルで観測された太陽コロナ構造の自動セグメンテーション手法を開発した。 利用可能な入力データセットは、ターゲット構造の手動アノテーションに基づいて、我々のデータセットと共に検討されている。 実際、入力データセットは、開発されたモデルの性能の主な制限である。 我々の \textit{SCSS-Net} モデルは、他の一般的な自動セグメンテーション手法と比較可能な、コロナホールとアクティブ領域の結果を提供する。 さらに、これは移動学習技術の助けを借りて太陽コロナの構造を特定する普遍的な手順を提供する。 このモデルの出力は、太陽活動と地球への宇宙気象の影響の間の関係に関するさらなる統計的研究に利用できる。

関連論文リスト

• Analysis and Predictive Modeling of Solar Coronal Holes Using Computer Vision and ARIMA-LSTM Networks [0.0]
  本研究ではコンピュータビジョン技術を用いてコロナホール領域を検出し,その大きさを推定する。 我々は,コロナホールの領域の傾向を分析し,その地域を7日間にわたって様々な太陽地域にわたって予測する。
  論文  参考訳（メタデータ） (2024-05-16T04:21:09Z)
• Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
  我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。 このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
  論文  参考訳（メタデータ） (2024-03-22T17:11:47Z)
• Solar Panel Segmentation :Self-Supervised Learning Solutions for Imperfect Datasets [0.0]
  本稿では,パネルセグメンテーションの課題,特に注釈付きデータの不足,および教師あり学習のための手動アノテーションの労働集約性について論じる。 これらの課題を解決するために、自己監視学習(SSL)を探求し、適用します。
  論文  参考訳（メタデータ） (2024-02-20T09:13:11Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• An Image Processing approach to identify solar plages observed at 393.37 nm by the Kodaikanal Solar Observatory [0.0]
  本研究では,高台カナル太陽観測所から得られたCa K波長太陽データ中の太陽プラッジを自動同定するアルゴリズムを提案する。 このアルゴリズムは、画像中のすべての視覚的識別可能なプラージュにアノテートし、対応する計算されたプラージュ指数を出力する。 提案アルゴリズムは太陽プラッジの同定に有効で信頼性の高い手法であり,太陽活動の研究に役立てることができる。
  論文  参考訳（メタデータ） (2022-09-21T19:55:10Z)
• Modelling stellar activity with Gaussian process regression networks [0.0]
  HARPS-N太陽分光観測を用いて、この枠組みがRVデータと従来の恒星活動指標を共同でモデル化できることを実証した。 我々は、RVと恒星活動時系列の相関関係を数日の間隔で最大にし、時系列における非定常行動の証拠を見いだす。
  論文  参考訳（メタデータ） (2022-05-13T13:20:25Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Multi-Channel Auto-Calibration for the Atmospheric Imaging Assembly using Machine Learning [20.247229396526855]
  現在の技術キャリブレーション技術は周期的観測ロケットに依存している。 畳み込みニューラルネットワーク(CNN)に基づく代替キャリブレーション手法を提案する。 以上の結果から,cnnモデルでは観測ロケット実験の結果を合理的な精度で総合的に再現できることがわかった。
  論文  参考訳（メタデータ） (2020-12-27T22:43:37Z)
• Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
  セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。 グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。 計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-03-23T12:28:07Z)

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。