論文の概要: Cloud Classification with Unsupervised Deep Learning

• arxiv url: http://arxiv.org/abs/2209.15585v1
• Date: Fri, 30 Sep 2022 16:56:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 16:54:44.468883
• Title: Cloud Classification with Unsupervised Deep Learning
• Title（参考訳）: 教師なしディープラーニングによるクラウド分類
• Authors: Takuya Kurihana, Ian Foster, Rebecca Willett, Sydney Jenkins, Kathryn Koenig, Ruby Werman, Ricardo Barros Lourenco, Casper Neo, Elisabeth Moyer
• Abstract要約: 我々のフレームワークは、NASAのMODIS(Moderate Resolution Imaging Spectroradiometer)衛星機器によって生成された放射データから直接雲の特徴を学習する。 本手法は,放射データから物理的に関連のある情報を抽出し,意味のあるクラウドクラスを生成することを示す予備的な結果を示す。
• 参考スコア（独自算出の注目度）: 6.285964948191585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a framework for cloud characterization that leverages modern unsupervised deep learning technologies. While previous neural network-based cloud classification models have used supervised learning methods, unsupervised learning allows us to avoid restricting the model to artificial categories based on historical cloud classification schemes and enables the discovery of novel, more detailed classifications. Our framework learns cloud features directly from radiance data produced by NASA's Moderate Resolution Imaging Spectroradiometer (MODIS) satellite instrument, deriving cloud characteristics from millions of images without relying on pre-defined cloud types during the training process. We present preliminary results showing that our method extracts physically relevant information from radiance data and produces meaningful cloud classes.
• Abstract（参考訳）: 最新の教師なしディープラーニング技術を活用したクラウドキャラクタリゼーションのためのフレームワークを提案する。 従来のニューラルネットワークベースのクラウド分類モデルでは教師付き学習手法が用いられてきたが、教師なし学習では、過去のクラウド分類スキームに基づく人工カテゴリへのモデル制限を回避でき、より詳細な分類の発見が可能になる。 我々のフレームワークは、NASAのMODIS(Moderate Resolution Imaging Spectroradiometer)衛星機器によって生成された放射データから直接雲の特徴を学習し、トレーニングプロセス中に予め定義された雲の種類に頼ることなく、何百万もの画像から雲の特徴を導き出す。 本手法は,放射光データから物理的に関連のある情報を抽出し,有意義なクラウドクラスを生成する。

関連論文リスト

• Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
  本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。 制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。 これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
  論文  参考訳（メタデータ） (2024-04-01T13:38:16Z)
• Masked Spatio-Temporal Structure Prediction for Self-supervised Learning on Point Cloud Videos [75.9251839023226]
  人間のアノテーションを使わずにポイントクラウドビデオの構造をキャプチャするMasked-temporal Structure Prediction (MaST-Pre)法を提案する。 MaST-Preは,2つの自己指導型学習タスクから構成される。まず,マスク付きポイントチューブを再構築することにより,ポイントクラウドビデオの出現情報を捉えることができる。 第2に、動作を学習するために、点管内の点数の変化を推定する時間的濃度差予測タスクを提案する。
  論文  参考訳（メタデータ） (2023-08-18T02:12:54Z)
• Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
  テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。 有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。 上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
  論文  参考訳（メタデータ） (2023-08-13T10:07:46Z)
• UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical Satellite Time Series [19.32220113046804]
  本稿では,新しいアテンションベースアーキテクチャを組み合わせたマルチテンポラルクラウド除去手法UnCRtainTSを紹介する。 予測された不確かさがいかにして再現品質を正確に制御できるかを示す。
  論文  参考訳（メタデータ） (2023-04-11T19:27:18Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• Insight into cloud processes from unsupervised classification with a rotationally invariant autoencoder [10.739352302280667]
  現在の雲分類スキームは1ピクセルの雲の性質に基づいており、空間構造やテクスチャを考慮できない。 コンピュータビジョンの最近の進歩は、人間の事前に定義されたラベルを使わずに、画像の異なるパターンをグループ化することを可能にする。 新たなAI駆動型クラウド分類アトラス(AICCA)の生成にこのような手法を用いることについて述べる。
  論文  参考訳（メタデータ） (2022-11-02T04:08:32Z)
• AICCA: AI-driven Cloud Classification Atlas [0.0]
  本研究は, 衛星雲観測の次元性を, 自動化された非教師なしの雲分類技術を用いてグループ化することによって低減する。 このアプローチを使用して、AI駆動型クラウド分類アトラス(AICCA)という、ユニークな新しいクラウドデータセットを生成します。
  論文  参考訳（メタデータ） (2022-09-29T21:01:31Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• A deep network approach to multitemporal cloud detection [15.39911641413792]
  Meteosat Second Generation (MSG) 衛星に搭載された Seviri Imager によって取得された画像時系列における雲を検出するための時間記憶付きディープラーニングモデルを提案する。 モデルは、ピクセルレベルのクラウドマップと関連する信頼性を提供し、繰り返しニューラルネットワーク構造を介して時間の情報を伝達します。
  論文  参考訳（メタデータ） (2020-12-09T08:58:36Z)
• Generating the Cloud Motion Winds Field from Satellite Cloud Imagery Using Deep Learning Approach [1.8655840060559172]
  データ駆動型ディープラーニングアプローチに基づくクラウドモーションウィンドアルゴリズムについて検討する。 深層学習モデルを用いて、運動特徴表現を自動的に学習し、雲の風の場を直接出力する。 我々はまた、従来のアルゴリズムでは達成できない固定領域における雲の動きの風場を予測するために、単一の雲画像を使用することも試みている。
  論文  参考訳（メタデータ） (2020-10-03T05:40:36Z)

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。