論文の概要: Extension of Convolutional Neural Network along Temporal and Vertical Directions for Precipitation Downscaling

• arxiv url: http://arxiv.org/abs/2112.06571v1
• Date: Mon, 13 Dec 2021 11:26:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 19:20:16.310944
• Title: Extension of Convolutional Neural Network along Temporal and Vertical Directions for Precipitation Downscaling
• Title（参考訳）: 降水ダウンスケーリングのための畳み込みニューラルネットワークの時間方向および垂直方向への拡張
• Authors: Takeyoshi Nagasato, Kei Ishida, Ali Ercan, Tongbi Tu, Masato Kiyama, Motoki Amagasaki, Kazuki Yokoo
• Abstract要約: 本研究では3次元CNNを用いて3次元大気データから1日あたりの降水量を推定する。 その結果, 3D-CNN-Time と 3D-CNN-Vert は降水量推定のモデル精度を 2D CNN と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has been utilized for the statistical downscaling of climate data. Specifically, a two-dimensional (2D) convolutional neural network (CNN) has been successfully applied to precipitation estimation. This study implements a three-dimensional (3D) CNN to estimate watershed-scale daily precipitation from 3D atmospheric data and compares the results with those for a 2D CNN. The 2D CNN is extended along the time direction (3D-CNN-Time) and the vertical direction (3D-CNN-Vert). The precipitation estimates of these extended CNNs are compared with those of the 2D CNN in terms of the root-mean-square error (RMSE), Nash-Sutcliffe efficiency (NSE), and 99th percentile RMSE. It is found that both 3D-CNN-Time and 3D-CNN-Vert improve the model accuracy for precipitation estimation compared to the 2D CNN. 3D-CNN-Vert provided the best estimates during the training and test periods in terms of RMSE and NSE.
• Abstract（参考訳）: 深層学習は、気候データの統計的ダウンスケーリングに利用されている。 具体的には,2次元畳み込みニューラルネットワーク(cnn)を降水推定に適用することに成功した。 本研究では,3次元CNNを用いて,3次元大気データから流域スケールの日降水量を推定し,その結果を2次元CNNと比較する。 2DCNNは、時間方向(3D−CNN−Time)と垂直方向(3D−CNN−Vert)に沿って延びる。 これらの拡張型cnnの降水推定値は、根-平均二乗誤差(rmse)、nash-sutcliffe効率(nse)、99パーセンタイル型rmseの2次元cnnと比較される。 その結果, 3D-CNN-Time と 3D-CNN-Vert は降水量推定のモデル精度を 2D CNN と比較した。 3D-CNN-Vert は RMSE と NSE でトレーニングとテスト期間の最高の見積もりを提供した。

関連論文リスト

• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation [70.17681136234202]
  設計上の違いを再検討し、スパースCNNが達成できることの限界をテストする。 本稿では,このギャップを埋めるために,適応受容場(親和性)と適応関係という2つの重要な要素を提案する。 この調査により、軽量モジュールを統合するネットワークのファミリーであるOmni-Adaptive 3D CNN(OA-CNN)が開発された。
  論文  参考訳（メタデータ） (2024-03-21T14:06:38Z)
• Maximizing Spatio-Temporal Entropy of Deep 3D CNNs for Efficient Video Recognition [25.364148451584356]
  3D畳み込みニューラルネットワーク(CNN)は、ビデオ認識において一般的な選択肢である。 我々は,新しい学習自由なニューラルアーキテクチャ探索手法を用いて,効率的な3次元CNNアーキテクチャを自動設計することを提案する。 Something-Something V1&V2 と Kinetics400 の実験は、E3D ファミリーが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-03-05T15:11:53Z)
• Continual 3D Convolutional Neural Networks for Real-time Processing of Videos [93.73198973454944]
  連続3次元コンテンポラルニューラルネットワーク(Co3D CNN)について紹介する。 Co3D CNNはクリップ・バイ・クリップではなく、フレーム・バイ・フレームで動画を処理する。 本研究では,既存の映像認識モデルの重みを初期化したCo3D CNNを用いて,フレームワイズ計算における浮動小数点演算を10.0-12.4倍削減し,Kinetics-400の精度を2.3-3.8倍に向上したことを示す。
  論文  参考訳（メタデータ） (2021-05-31T18:30:52Z)
• Hyperspectral Image Classification: Artifacts of Dimension Reduction on Hybrid CNN [1.2875323263074796]
  2Dおよび3DCNNモデルは、ハイパースペクトル画像の空間的およびスペクトル情報を利用するのに非常に効率的であることが証明されている。 この研究は、計算コストを大幅に削減する軽量CNN(3Dと2D-CNN)モデルを提案した。
  論文  参考訳（メタデータ） (2021-01-25T18:43:57Z)
• 3D CNNs with Adaptive Temporal Feature Resolutions [83.43776851586351]
  similarity Guided Sampling (SGS)モジュールは既存のCNNアーキテクチャにプラグインできる。 SGSは、時間的特徴の類似性を学び、類似した特徴をまとめることで、3D CNNに権限を与える。 評価の結果,提案モジュールは精度を保ちながら計算コスト(GFLOP)を半分に減らし,最先端化を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-11-17T14:34:05Z)
• Improving Automated COVID-19 Grading with Convolutional Neural Networks in Computed Tomography Scans: An Ablation Study [3.072491397378425]
  本稿では,CNNに基づくCT画像からのCOVID-19グレーティングのためのアルゴリズムの性能向上に寄与する各種成分を同定する。 これらの成分を用いた3D CNNは, テストセット105CTでは0.934のLOC曲線 (AUC) , 公開されている742CTでは0.923のAUCを達成した。
  論文  参考訳（メタデータ） (2020-09-21T09:58:57Z)
• Semantic Segmentation of Neuronal Bodies in Fluorescence Microscopy Using a 2D+3D CNN Training Strategy with Sparsely Annotated Data [0.0]
  二次元CNNはニューロンの局在において良い結果をもたらすが、不正確な表面再構成を引き起こす。 3D CNNは手動で大規模なアノテートデータを必要とするため、かなりの人的労力を要する。 スパース2Dアノテーションを用いたネイティブ3D CNNモデルのトレーニングのための2段階戦略を提案する。
  論文  参考訳（メタデータ） (2020-08-31T18:01:02Z)
• 2.75D: Boosting learning by representing 3D Medical imaging to 2D features for small data [54.223614679807994]
  3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。 3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。 本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。 その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
  論文  参考訳（メタデータ） (2020-02-11T08:24:19Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。