論文の概要: Using Machine Learning to Reduce Observational Biases When Detecting New
Impacts on Mars
- arxiv url: http://arxiv.org/abs/2207.05679v1
- Date: Tue, 12 Jul 2022 17:02:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 14:26:17.314845
- Title: Using Machine Learning to Reduce Observational Biases When Detecting New
Impacts on Mars
- Title(参考訳): 火星に新しい衝撃を検知する機械学習による観測バイアス低減
- Authors: Kiri L. Wagstaff (1), Ingrid J. Daubar (2), Gary Doran (1), Michael J.
Munje (1), Valentin T. Bickel (3), Annabelle Gao (2), Joe Pate (2), Daniel
Wexler (2) ((1) Jet Propulsion Laboratory, California Institute of
Technology, (2) Brown University, (3) ETH Zurich)
- Abstract要約: 最近の火星への(新鮮な)衝突の在庫は、低い熱慣性領域に対する強い偏見を示している。
熱慣性度の高い地域でも同様の速度で発生することが期待されているが、これらの影響は検出されていない。
本研究では、火星への新鮮な影響の検出を高めるために、訓練された機械学習分類器の使用について検討する。
- 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: The current inventory of recent (fresh) impacts on Mars shows a strong bias
towards areas of low thermal inertia. These areas are generally visually
bright, and impacts create dark scours and rays that make them easier to
detect. It is expected that impacts occur at a similar rate in areas of higher
thermal inertia, but those impacts are under-detected. This study investigates
the use of a trained machine learning classifier to increase the detection of
fresh impacts on Mars using CTX data. This approach discovered 69 new fresh
impacts that have been confirmed with follow-up HiRISE images. We found that
examining candidates partitioned by thermal inertia (TI) values, which is only
possible due to the large number of machine learning candidates, helps reduce
the observational bias and increase the number of known high-TI impacts.
- Abstract(参考訳): 最近の火星への(フレッシュ)影響の在庫は、低い熱慣性領域に対する強いバイアスを示している。
これらの領域は一般的に視覚的に明るく、衝突によって暗くなり、検出しやすくなります。
熱慣性が高い地域でも同様の速度で発生することが期待されるが、これらの影響は検出されていない。
本研究では、訓練された機械学習分類器を用いて、CTXデータを用いて火星への新鮮な影響を検出する。
このアプローチでは、69の新しい新しい影響がHiRISE画像で確認された。
熱慣性(TI)値で区切られた候補を調べることは、多数の機械学習候補によってのみ可能であり、観測バイアスの低減と既知の高TI影響の増大に有効であることがわかった。
関連論文リスト
- Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning [38.321248253111776]
我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。
データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
論文 参考訳(メタデータ) (2024-03-04T23:12:17Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。
提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。
悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
論文 参考訳(メタデータ) (2023-05-25T15:03:36Z) - Wildfire Smoke Detection with Computer Vision [0.0]
YOLOv7は、オブジェクト検出モデルをトレーニングするための単純で高速で効率的なアルゴリズムを提供する。
その結果,信頼度が0.298のF1曲線において0.74のスコアが得られた。
これらの指標は,煙柱の検出におけるモデルの弾力性と有効性を示す。
論文 参考訳(メタデータ) (2023-01-12T15:12:56Z) - Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。
そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文 参考訳(メタデータ) (2022-12-09T11:32:36Z) - Few-Shot Class-Incremental Learning via Entropy-Regularized Data-Free
Replay [52.251188477192336]
FSCIL (Few-shot class-incremental Learning) は,データ制限のあるクラスを段階的に学習する深層学習システムを実現するために提案されている。
データリプレイの採用は驚くほど好都合である,という実証的な結果を通じて示します。
本研究では,実データにアクセスすることなく,ジェネレータによるデータ合成が可能なデータフリーリプレイを提案する。
論文 参考訳(メタデータ) (2022-07-22T17:30:51Z) - How many Observations are Enough? Knowledge Distillation for Trajectory
Forecasting [31.57539055861249]
現在の最先端モデルは、通常、過去の追跡された場所の「歴史」に頼り、将来の位置の妥当なシーケンスを予測する。
我々は,教師ネットワークから学生ネットワークへの知識伝達を可能にする新しい蒸留戦略を考案した。
適切に定義された教師の監督により、学生ネットワークが最先端のアプローチと相容れないように実行できることが示される。
論文 参考訳(メタデータ) (2022-03-09T15:05:39Z) - Explainable Machine Learning for Breakdown Prediction in High Gradient
RF Cavities [7.39531359499484]
分解は、粒子加速器のRFキャビティにおいて最も多い制限要因の1つである。
本稿では,CERN のコンパクト線形前駆体における分解衝突を発見するための機械学習戦略を提案する。
論文 参考訳(メタデータ) (2022-02-10T07:32:18Z) - On the Frequency Bias of Generative Models [61.60834513380388]
我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。
既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。
以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
論文 参考訳(メタデータ) (2021-11-03T18:12:11Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳(メタデータ) (2021-07-26T10:40:59Z) - Distilling Causal Effect of Data in Class-Incremental Learning [109.680987556265]
CIL(Class-Incremental Learning)における破滅的な忘れ方を説明するための因果的枠組みを提案する。
我々は,データ再生や特徴・ラベル蒸留といった既存のアンチフォジット手法を緩和する新しい蒸留法を考案した。
論文 参考訳(メタデータ) (2021-03-02T14:14:10Z)
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。