論文の概要: Deep Vision in Analysis and Recognition of Radar Data: Achievements,
Advancements and Challenges
- arxiv url: http://arxiv.org/abs/2302.09990v1
- Date: Mon, 20 Feb 2023 14:06:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 15:14:30.421601
- Title: Deep Vision in Analysis and Recognition of Radar Data: Achievements,
Advancements and Challenges
- Title(参考訳): レーダーデータの分析と認識における深いビジョン:達成、進歩、挑戦
- Authors: Qi Liu, Zhiyun Yang, Ru Ji, Yonghong Zhang, Muhammad Bilal, Xiaodong
Liu, S Vimal, Xiaolong Xu
- Abstract要約: レーダは降水流などの効果的な予測のためにエコー情報を得るために広く使用されている。
近年,気象レーダデータ解析とパターン認識にDeep Learning(DL)モデルを用いた科学的研究と実践的な取り組みがレビューされている。
- 参考スコア(独自算出の注目度): 25.854253090092506
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Radars are widely used to obtain echo information for effective prediction,
such as precipitation nowcasting. In this paper, recent relevant scientific
investigation and practical efforts using Deep Learning (DL) models for weather
radar data analysis and pattern recognition have been reviewed; particularly,
in the fields of beam blockage correction, radar echo extrapolation, and
precipitation nowcast. Compared to traditional approaches, present DL methods
depict better performance and convenience but suffer from stability and
generalization. In addition to recent achievements, the latest advancements and
existing challenges are also presented and discussed in this paper, trying to
lead to reasonable potentials and trends in this highly-concerned field.
- Abstract(参考訳): レーダは降水流などの効果的な予測のためにエコー情報を得るために広く使用されている。
本稿では,特にビームブロック補正,レーダーエコー推定,降水ナキャストの分野において,気象レーダデータ解析とパターン認識のための深層学習モデルを用いた最近の科学的研究と実践について検討した。
従来の手法と比較して, DL法は性能と利便性が向上するが, 安定性と一般化に悩まされている。
近年の業績に加えて,最近の進歩や既存の課題も提示・議論され,この高度に関心のある分野における合理的な可能性とトレンドを導こうとしている。
関連論文リスト
- Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Transformer-based nowcasting of radar composites from satellite images
for severe weather [45.0983299269404]
衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。
厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。
このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
論文 参考訳(メタデータ) (2023-10-30T13:17:38Z) - Radars for Autonomous Driving: A Review of Deep Learning Methods and
Challenges [0.021665899581403605]
Radarは、自動運転車に使用される知覚センサーのスイートの重要なコンポーネントである。
低解像度、疎度、乱雑、高い不確実性、優れたデータセットの欠如などが特徴である。
現在のレーダーモデルは、レーダーデータに比較的弱い光学的特徴に焦点を当てたライダーや視覚モデルの影響を受けやすい。
論文 参考訳(メタデータ) (2023-06-15T17:37:52Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Deep Learning for Rain Fade Prediction in Satellite Communications [6.619650459583444]
視線衛星システム、無人航空機、高高度プラットフォーム、マイクロ波リンクは雨の影響を受けやすい。
これらのシステムの降雨量予測は、降雨量発生前の地上ゲートウェイを積極的に切り替えてシームレスなサービスを維持するために重要である。
衛星画像データとレーダー画像データとリンク電力測定を用いて将来の雨害を予測するディープラーニングアーキテクチャが提案されている。
論文 参考訳(メタデータ) (2021-10-02T00:43:02Z) - Prediction of severe thunderstorm events with ensemble deep learning and
radar data [0.0]
本稿では,激しい雷雨の予報をタイムリーに鳴らすことができる警報装置を実現するためのディープラーニング手法について述べる。
この警報装置はイタリアのリグリア地方で記録された気象レーダーデータに対して検証されている。
論文 参考訳(メタデータ) (2021-09-20T18:43:13Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳(メタデータ) (2021-08-10T17:57:03Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Skillful Precipitation Nowcasting using Deep Generative Models of Radar [24.220892855431494]
本稿では,レーダーからの降水確率予測のためのディープジェネラティブモデルを提案する。
我々のモデルは1536km×1280kmまでの領域で現実的かつ時間的に一貫した予測を行い、リードタイムは5~90分先である。
Met Officeの50名以上のエキスパート予測者による体系的評価では,2つの競合手法に対して88%のケースにおいて,その精度と有用性で第1位であった。
論文 参考訳(メタデータ) (2021-04-02T09:29:03Z) - LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar
Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。
自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文 参考訳(メタデータ) (2020-10-02T00:13:00Z) - RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。
我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。
RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文 参考訳(メタデータ) (2020-07-28T17:15:02Z)
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。