論文の概要: Automatic Detection of Interplanetary Coronal Mass Ejections in Solar
Wind In Situ Data
- arxiv url: http://arxiv.org/abs/2205.03578v1
- Date: Sat, 7 May 2022 07:25:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 18:07:06.431193
- Title: Automatic Detection of Interplanetary Coronal Mass Ejections in Solar
Wind In Situ Data
- Title（参考訳）: 太陽風観測データによる惑星間コロナ質量放出の自動検出
- Authors: Hannah T. R\"udisser, Andreas Windisch, Ute V. Amerstorfer, Christian
M\"ostl, Tanja Amerstorfer, Rachel L. Bailey, Martin A. Reiss
- Abstract要約: 本稿では,ICMEの自動検出のためのパイプラインを提案する。
パイプラインは,平均絶対誤差(MAE)が約2時間56分,終了時間が3時間20分であるICMEの開始点を見つける。
- 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: Interplanetary coronal mass ejections (ICMEs) are one of the main drivers for
space weather disturbances. In the past, different approaches have been used to
automatically detect events in existing time series resulting from solar wind
in situ observations. However, accurate and fast detection still remains a
challenge when facing the large amount of data from different instruments. For
the automatic detection of ICMEs we propose a pipeline using a method that has
recently proven successful in medical image segmentation. Comparing it to an
existing method, we find that while achieving similar results, our model
outperforms the baseline regarding training time by a factor of approximately
20, thus making it more applicable for other datasets. The method has been
tested on in situ data from the Wind spacecraft between 1997 and 2015 with a
True Skill Statistic (TSS) of 0.64. Out of the 640 ICMEs, 466 were detected
correctly by our algorithm, producing a total of 254 False Positives.
Additionally, it produced reasonable results on datasets with fewer features
and smaller training sets from Wind, STEREO-A and STEREO-B with True Skill
Statistics of 0.56, 0.57 and 0.53, respectively. Our pipeline manages to find
the start of an ICME with a mean absolute error (MAE) of around 2 hours and 56
minutes, and the end time with a MAE of 3 hours and 20 minutes. The relatively
fast training allows straightforward tuning of hyperparameters and could
therefore easily be used to detect other structures and phenomena in solar wind
data, such as corotating interaction regions.
- Abstract（参考訳）: 惑星間コロナ質量放出(ICME)は、宇宙気象障害の主要な要因の一つである。
過去には、太陽風の観測による既存の時系列の事象を自動的に検出するために様々なアプローチが用いられてきた。
しかし、異なる機器からの大量のデータに直面する場合、正確かつ迅速な検出は依然として課題である。
ICMEの自動検出には,最近,医用画像のセグメンテーションに成功している手法を用いたパイプラインを提案する。
既存の手法と比較すると、同様の結果が得られる一方で、我々のモデルはトレーニング時間に関するベースラインを約20倍の性能で上回り、他のデータセットにも適用できることがわかった。
この方法は、1997年から2015年までのウィンド宇宙船のin situデータでテストされ、True Skill Statistic (TSS) は0.64である。
640個のICMEのうち,466個のFalse Positivesが検出され,総計254個のFalse Positivesが得られた。
さらに、Wind、STEREO-A、STEREO-B、True Skill Statisticsのそれぞれ0.56、0.57、0.53から、より少ない特徴を持つデータセットで合理的な結果を得た。
当社のパイプラインでは,平均絶対誤差(mae)が2時間56分,終了時間が3時間20分程度でicmeの開始を見つけることができました。
比較的高速な訓練により、ハイパーパラメーターの簡単なチューニングが可能となり、太陽風データ中の他の構造や現象(例えば共回転相互作用領域)を検出できる。
関連論文リスト
- Commissioning An All-Sky Infrared Camera Array for Detection Of Airborne Objects [0.11703603440337004]
ガリレオ計画では、空を継続的に監視する多モード地上観測所を設計、建設、委託している。
鍵となる機器の1つは、8つの冷却されていない長波長のFLIRボソン640カメラを使用した全天型赤外線カメラアレイである。
各種気象条件に対する受入率(観測可能な航空機等)と検出効率(検出に成功している航空機等)を報告する。
おもちゃのアウトリーチは2次元再構成トラジェクトリーフラッグの大きな不純物に焦点を絞ったもので、トラジェクトリーの約16%をアウトリーチとして用いた。
論文 参考訳（メタデータ） (2024-11-12T17:31:51Z) - Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。
TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端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） (2024-07-19T07:48:45Z) - TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data [0.017476232824732776]
本研究では,時間変動型オートエンコーダ(TeVAE)を提案する。
適切に設定された場合、TeVAEは異常を6%だけ間違ったタイミングでフラグし、65%の異常を検知する。
論文 参考訳（メタデータ） (2024-07-09T13:32:33Z) - NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。
我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。
NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文 参考訳（メタデータ） (2024-06-21T17:59:02Z) - Driver Maneuver Detection and Analysis using Time Series Segmentation
and Classification [7.413735713939367]
本稿では,自然主義運転環境下での車両遠隔計測データから車両の操作を自動的に検出する手法を実装した。
本研究の目的は、自然主義駆動学習ビデオのフレーム・バイ・フレームアノテーションのためのエンドツーエンドパイプラインを開発することである。
論文 参考訳（メタデータ） (2022-11-10T03:38:50Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - Stress-Testing LiDAR Registration [52.24383388306149]
本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。
おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
論文 参考訳（メタデータ） (2022-04-16T05:10:55Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - An Efficient Approach for Anomaly Detection in Traffic Videos [30.83924581439373]
本稿では,エッジデバイスで動作可能な映像異常検出システムのための効率的な手法を提案する。
提案手法は,シーンの変化を検出し,破損したフレームを除去するプリプロセッシングモジュールを含む。
また,新しいシーンに迅速に適応し,類似度統計量の変化を検出するシーケンシャルな変化検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-20T04:43:18Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳（メタデータ） (2020-07-10T16:00:44Z) - Tropical and Extratropical Cyclone Detection Using Deep Learning [0.7025418443146436]
U-Net構造を用いたディープラーニングセグメンテーション画像モデルは、より制限的なアプローチによって欠落した領域を特定することができる。
4つのU-Netモデルは、熱帯と熱帯のサイクロン地域を検知するために設計されている。
熱帯性サイクロンU-Netモデルは、同じROIを検出するために使用される同等のモデルよりも3倍高速に動作した。
論文 参考訳（メタデータ） (2020-05-18T20:09:20Z)
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。