論文の概要: Insight into cloud processes from unsupervised classification with a
rotationally invariant autoencoder
- arxiv url: http://arxiv.org/abs/2211.00860v1
- Date: Wed, 2 Nov 2022 04:08:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 14:15:35.162982
- Title: Insight into cloud processes from unsupervised classification with a
rotationally invariant autoencoder
- Title（参考訳）: 回転不変オートエンコーダによる教師なし分類からのクラウドプロセスへの洞察
- Authors: Takuya Kurihana, James Franke, Ian Foster, Ziwei Wang, Elisabeth Moyer
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.739352302280667
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clouds play a critical role in the Earth's energy budget and their potential
changes are one of the largest uncertainties in future climate projections.
However, the use of satellite observations to understand cloud feedbacks in a
warming climate has been hampered by the simplicity of existing cloud
classification schemes, which are based on single-pixel cloud properties and
cannot consider spatial structures and textures. Recent advances in computer
vision enable the grouping of different patterns of images without using human
predefined labels, providing a novel means of automated cloud classification.
This unsupervised learning approach allows discovery of unknown
climate-relevant cloud patterns, and the automated processing of large
datasets. We describe here the use of such methods to generate a new AI-driven
Cloud Classification Atlas (AICCA), which leverages 22 years and 800 terabytes
of MODIS satellite observations over the global ocean. We use a rotationally
invariant cloud clustering (RICC) method to classify those observations into 42
AI-generated cloud class labels at ~100 km spatial resolution. As a case study,
we use AICCA to examine a recent finding of decreasing cloudiness in a critical
part of the subtropical stratocumulus deck, and show that the change is
accompanied by strong trends in cloud classes.
- Abstract（参考訳）: 雲は地球のエネルギー予算において重要な役割を果たし、その潜在的な変化は将来の気候予測における最大の不確実性の一つである。
しかし、温暖化環境における雲のフィードバックを理解するための衛星観測の利用は、単一ピクセルの雲の性質に基づいて空間構造やテクスチャを考慮できない既存の雲分類スキームの単純さによって妨げられている。
最近のコンピュータビジョンの進歩により、人間の予め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ができ、クラウドの自動分類の新たな手段を提供する。
この教師なし学習アプローチは、未知の気候関連クラウドパターンの発見と、大規模データセットの自動処理を可能にする。
ここでは、22年800テラバイトのMODIS衛星観測を地球上で活用するAI駆動型クラウド分類アトラス(AICCA)を新たに生成する手法について説明する。
我々は、回転不変クラウドクラスタリング(RICC)法を用いて、観測結果を約100kmの空間分解能で42のAI生成クラウドクラスラベルに分類する。
ケーススタディでは,AICCAを用いて,亜熱帯成層累層デッキの臨界部分における雲の減少の最近の発見を検証し,雲のクラスに強い傾向が伴っていることを示す。
関連論文リスト
- Removing cloud shadows from ground-based solar imagery [0.33748750222488655]
本稿では,U-Netアーキテクチャに基づくクラウドシャドウの除去手法を提案し,古典的監視と条件付きGANを比較した。
我々は,実画像と合成雲の新しいデータセットを用いて,2つの異なる画像モダリティについて評価を行った。
論文 参考訳（メタデータ） (2024-07-18T10:38:24Z) - 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) - Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。
すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。
最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
論文 参考訳（メタデータ） (2023-07-22T11:10:39Z) - Data Augmentation-free Unsupervised Learning for 3D Point Cloud
Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。
我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文 参考訳（メタデータ） (2022-10-06T10:18:16Z) - Cloud Classification with Unsupervised Deep Learning [6.285964948191585]
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。
論文 参考訳（メタデータ） (2022-09-30T16:56:58Z) - 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) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T17:58:56Z) - Data-driven Cloud Clustering via a Rotationally Invariant Autoencoder [10.660968055962325]
自動回転不変クラウドクラスタリング(RICC)法について述べる。
大規模なデータセット内のクラウドイメージを教師なしの方法で整理する。
その結果、クラウドクラスタはクラウド物理の有意義な側面を捉えていることが示唆された。
論文 参考訳（メタデータ） (2021-03-08T16:45:14Z) - Classification and understanding of cloud structures via satellite
images with EfficientUNet [0.0]
CNN(Convolutional Neural Network)の新しいスケールアップバージョンを用いて,クラウド組織パターンの分類を行った。
ダイス係数は最終評価基準に使われており、カグル競技においてそれぞれ66.26%と66.02%のスコアを得た。
論文 参考訳（メタデータ） (2020-09-27T19:50:05Z)
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。