論文の概要: A Recommender System-Inspired Cloud Data Filling Scheme for
Satellite-based Coastal Observation
- arxiv url: http://arxiv.org/abs/2111.13955v1
- Date: Sat, 27 Nov 2021 18:26:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 19:05:35.060502
- Title: A Recommender System-Inspired Cloud Data Filling Scheme for
Satellite-based Coastal Observation
- Title（参考訳）: 衛星による沿岸観測のためのレコメンダシステムによるクラウドデータ充足方式
- Authors: Ruo-Qian Wang
- Abstract要約: 本研究は,オンラインショッピング用に設計されたレコメンデーションシステムにおけるデータ計算手法の成功に触発されたものである。
合成雲カバーの幅の広いLandSatデータセットに対して数値実験を設計・実施した。
Funk-SVDと呼ばれるシステムにインスパイアされた行列分解アルゴリズムは、計算精度と効率において優れた性能を示した。
- 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: Filling missing data in cloud-covered areas of satellite imaging is an
important task to improve data quantity and quality for enhanced earth
observation. Traditional cloud filling studies focused on continuous numerical
data such as temperature and cyanobacterial concentration in the open ocean.
Cloud data filling issues in coastal imaging is far less studied because of the
complex landscape. Inspired by the success of data imputation methods in
recommender systems that are designed for online shopping, the present study
explored their application to satellite cloud data filling tasks. A numerical
experiment was designed and conducted for a LandSat dataset with a range of
synthetic cloud covers to examine the performance of different data filling
schemes. The recommender system-inspired matrix factorization algorithm called
Funk-SVD showed superior performance in computational accuracy and efficiency
for the task of recovering landscape types in a complex coastal area than the
traditional data filling scheme of DINEOF (Data Interpolating Empirical
Orthogonal Functions) and the deep learning method of Datawig. The new method
achieved the best filling accuracy and reached a speed comparable to DINEOF and
much faster than deep learning. A theoretical framework was created to analyze
the error propagation in DINEOF and found the algorithm needs to be modified to
converge to the ground truth. The present study showed that Funk-SVD has great
potential to enhance cloud data filling performance and connects the fields of
recommender systems and cloud filling to promote the improvement and sharing of
useful algorithms.
- Abstract（参考訳）: 衛星画像の雲に覆われた領域に欠落したデータを埋め込むことは、地球観測を強化するためのデータ量と品質を改善する重要な課題である。
従来の雲充填研究は、開海での温度やシアノバクテリア濃度などの連続的な数値データに焦点を当てていた。
海洋イメージングにおける雲データ充填問題は、複雑な景観のため、あまり研究されていない。
オンラインショッピング用に設計されたレコメンダシステムにおけるデータインプテーション手法の成功に触発されて,本研究は,衛星クラウドデータフィリングタスクへの応用を考察した。
各種データフィリング方式の性能を調べるため, 合成雲をカバーしたLandSatデータセットを用いて数値実験を行い, 実験を行った。
DINEOF(Data Interpolating Empirical Orthogonal Function)の従来のデータフィリング方式やDatawigの深層学習手法よりも,複雑な沿岸部におけるランドスケープタイプを復元する作業において,Funk-SVDと呼ばれるシステムインスパイアされた行列分解アルゴリズムは,計算精度と効率が優れていた。
この新しい手法は最高のフィリング精度を達成し、DINEOFに匹敵する速度に達し、ディープラーニングよりもはるかに高速になった。
DINEOFの誤り伝播を解析するために理論的な枠組みが作られ、アルゴリズムは基底の真理に収束するために修正する必要があることが分かった。
本研究は,Funk-SVDがクラウドデータ充填性能を向上させる大きな可能性を秘めており,有用なアルゴリズムの改良と共有を促進するために,レコメンダシステムとクラウドフィリングの分野を結びつけていることを示す。
関連論文リスト
- 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) - Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。
雲の光学的厚さ推定のための新しい合成データセットを提案する。
信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
論文 参考訳（メタデータ） (2023-11-23T14:28:28Z) - Dataset Distillation: A Comprehensive Review [76.26276286545284]
データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。
本稿ではDDの最近の進歩とその応用について概説する。
論文 参考訳（メタデータ） (2023-01-17T17:03:28Z) - A Comprehensive Survey of Dataset Distillation [73.15482472726555]
限られた計算能力で無制限に成長するデータを扱うことは困難になっている。
ディープラーニング技術はこの10年で前例のない発展を遂げた。
本稿では,多面的なデータセット蒸留の総合的な理解を提供する。
論文 参考訳（メタデータ） (2023-01-13T15:11:38Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - Segmentation-guided Domain Adaptation for Efficient Depth Completion [3.441021278275805]
本稿では,vgg05型CNNアーキテクチャと半教師付きドメイン適応手法に基づく効率的な深度補完モデルを提案する。
空間的コヒーレンスを高めるため,情報ソースとしてセグメンテーションを用いた学習プロセスを導出する。
提案手法は,計算フットプリントを著しく低くしながら,従来手法の効率的かつ低パラメータ状態を改善する。
論文 参考訳（メタデータ） (2022-10-14T13:01:25Z) - Learning Digital Terrain Models from Point Clouds: ALS2DTM Dataset and
Rasterization-based GAN [6.267267911687337]
本論文は,ALS点雲とそれに対応するDTMの大規模データセットをオープンソースとして収集する。
ALS点雲から直接デジタルTerrainモデルを抽出するために、Deepニューラルネットワークをトレーニングする最初の試みとして、ベースライン手法が提案されている。
データセットをベンチマークし、ポイントクラウドからDTMを抽出する学習の課題を分析するために、確立された手法による大規模な研究が実施されている。
論文 参考訳（メタデータ） (2022-06-08T09:50:48Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - DeepSatData: Building large scale datasets of satellite images for
training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。
本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文 参考訳（メタデータ） (2021-04-28T15:13:12Z) - Multi-Sensor Data Fusion for Cloud Removal in Global and All-Season
Sentinel-2 Imagery [15.459106705735376]
軌道上の地球画像を通して得られた光学観測の大部分は、雲の影響を受けている。
我々は、新しいクラウド除去アプローチをトレーニングするための大きな新しいデータセットをキュレートすることで、一般化の課題をターゲットにしている。
雲の網羅範囲は空の鮮明さと絶対的な網羅範囲で大きく異なるという観測に基づいて,両極端に対処できる新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-09-16T13:40:42Z) - 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。