論文の概要: Efficient data-driven gap filling of satellite image time series using deep neural networks with partial convolutions

• arxiv url: http://arxiv.org/abs/2208.08781v1
• Date: Thu, 18 Aug 2022 11:32:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-19 13:08:48.897328
• Title: Efficient data-driven gap filling of satellite image time series using deep neural networks with partial convolutions
• Title（参考訳）: 部分畳み込みを伴う深層ニューラルネットワークを用いた衛星画像時系列の効率的なデータ駆動ギャップ充填
• Authors: Marius Appel
• Abstract要約: 本稿では,3次元部分畳み込みをニューラルネットワークの層として用いることで,衛星画像時系列のギャップを埋める方法について述べる。 このアプローチを評価するために、センチネル-5P衛星からの準球状一酸化炭素観測の不完全時系列にU-Netライクなモデルを適用する。
• 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 abundance of gaps in satellite image time series often complicates the application of deep learning models such as convolutional neural networks for spatiotemporal modeling. Based on previous work in computer vision on image inpainting, this paper shows how three-dimensional spatiotemporal partial convolutions can be used as layers in neural networks to fill gaps in satellite image time series. To evaluate the approach, we apply a U-Net-like model on incomplete image time series of quasi-global carbon monoxide observations from the Sentinel-5P satellite. Prediction errors were comparable to two considered statistical approaches while computation times for predictions were up to three orders of magnitude faster, making the approach applicable to process large amounts of satellite data. Partial convolutions can be added as layers to other types of neural networks, making it relatively easy to integrate with existing deep learning models. However, the approach does not quantify prediction errors and further research is needed to understand and improve model transferability. The implementation of spatiotemporal partial convolutions and the U-Net-like model is available as open-source software.
• Abstract（参考訳）: 衛星画像時系列におけるギャップの多さは、畳み込みニューラルネットワークのような深層学習モデルの時空間モデリングへの応用を複雑にすることが多い。 画像インペイントにおけるコンピュータビジョンのこれまでの研究に基づいて,3次元時空間部分的畳み込みをニューラルネットワークの層として用いることで,衛星画像時系列のギャップを埋めることができることを示す。 提案手法を評価するために,Sentinel-5P衛星からの準球状一酸化炭素観測の不完全画像時系列にU-Netライクなモデルを適用した。 予測誤差は2つの統計的アプローチに匹敵するが、予測の計算時間は最大で3桁高速であり、大量の衛星データを処理できる。 部分的畳み込みは、他のタイプのニューラルネットワークのレイヤとして追加することができ、既存のディープラーニングモデルとの統合が比較的容易になる。 しかし、このアプローチは予測誤差を定量化せず、モデル転送可能性を理解し改善するにはさらなる研究が必要である。 時空間部分畳み込みとU-Netのようなモデルの実装はオープンソースソフトウェアとして利用可能である。

関連論文リスト

• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Multi-Graph Convolution Network for Pose Forecasting [0.8057006406834467]
  本稿では,3次元ポーズ予測のための多グラフ畳み込みネットワーク(MGCN)を提案する。 MGCNは、ポーズシーケンスのための拡張グラフを導入することで、空間情報と時間情報を同時にキャプチャする。 評価では,MGCNはポーズ予測において最先端の予測よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-11T03:59:43Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
  グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。 ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。 本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-14T09:47:38Z)
• Learning to Reconstruct Missing Data from Spatiotemporal Graphs with Sparse Observations [11.486068333583216]
  本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。 我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。 技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
  論文  参考訳（メタデータ） (2022-05-26T16:40:48Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• Anomaly Detection And Classification In Time Series With Kervolutional Neural Networks [1.3535770763481902]
  本稿では,時系列データに適用された進化型ニューラルネットワークの可能性について検討する。 畳み込み層とケール畳み込み層を混在させることでモデル性能が向上することを示した。 本稿では,時間的自動エンコーダを用いた残差に基づく異常検出手法を提案する。
  論文  参考訳（メタデータ） (2020-05-14T15:45:11Z)
• Space-Time Domain Tensor Neural Networks: An Application on Human Pose Classification [12.965269872510587]
  人間のポーズの分類のための空間的・時間的認識型テンソルベースニューラルネットワークを提案する。 我々のモデルはエンドツーエンドのトレーニング可能であり、少数のトレーニング可能なパラメータによって特徴づけられる。 提案手法を実験的に評価することにより,最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-17T10:20:56Z)

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。