論文の概要: SAR-UNet: Small Attention Residual UNet for Explainable Nowcasting Tasks

• arxiv url: http://arxiv.org/abs/2303.06663v1
• Date: Sun, 12 Mar 2023 13:56:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 17:37:46.138920
• Title: SAR-UNet: Small Attention Residual UNet for Explainable Nowcasting Tasks
• Title（参考訳）: SAR-UNet: 説明可能な Nowcasting タスクのための小さな注意残量 UNet
• Authors: Mathieu Renault, Siamak Mehrkanoon
• Abstract要約: データ駆動型放送モデルの正確性と説明性は、気象に依存した意思決定に依存する多くの社会経済セクターにおいて非常に重要である。 本稿では,降水量と雲の被覆を行うためのSAR-UNet (Small Attention Residual UNet) という新しいアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 4.213427823201119
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The accuracy and explainability of data-driven nowcasting models are of great importance in many socio-economic sectors reliant on weather-dependent decision making. This paper proposes a novel architecture called Small Attention Residual UNet (SAR-UNet) for precipitation and cloud cover nowcasting. Here, SmaAt-UNet is used as a core model and is further equipped with residual connections, parallel to the depthwise separable convolutions. The proposed SAR-UNet model is evaluated on two datasets, i.e., Dutch precipitation maps ranging from 2016 to 2019 and French cloud cover binary images from 2017 to 2018. The obtained results show that SAR-UNet outperforms other examined models in precipitation nowcasting from 30 to 180 minutes in the future as well as cloud cover nowcasting in the next 90 minutes. Furthermore, we provide additional insights on the nowcasts made by our proposed model using Grad-CAM, a visual explanation technique, which is employed on different levels of the encoder and decoder paths of the SAR-UNet model and produces heatmaps highlighting the critical regions in the input image as well as intermediate representations to the precipitation. The heatmaps generated by Grad-CAM reveal the interactions between the residual connections and the depthwise separable convolutions inside of the multiple depthwise separable blocks placed throughout the network architecture.
• Abstract（参考訳）: データ駆動のナキャスティングモデルの正確性と説明性は、気象に依存した意思決定に依存する多くの社会経済分野において非常に重要である。 本稿では,降水量と雲の被覆を行うためのSAR-UNet (Small Attention Residual UNet) という新しいアーキテクチャを提案する。 ここでは、SmaAt-UNetはコアモデルとして使われ、奥行き分離可能な畳み込みと平行な残差接続を備える。 提案したSAR-UNetモデルは、2016年から2019年までのオランダの降水マップと、2017年から2018年までのフランスのクラウドカバーバイナリイメージの2つのデータセットで評価されている。 その結果,SAR-UNetは今後30～180分間の降水量および90分間の雲被覆量において,他の調査モデルよりも優れていた。 さらに,SAR-UNetモデルのエンコーダとデコーダパスの異なるレベルに応用し,入力画像の臨界領域と降水の中間表現をハイライトしたヒートマップを生成する視覚的説明手法であるGrad-CAMを用いて,提案モデルが生成した現在のキャストに関するさらなる知見を提供する。 grad-camによって生成されたヒートマップは、ネットワークアーキテクチャ全体に配置された複数の深さ分離可能なブロック内の残差接続と深さ分離可能な畳み込みとの間の相互作用を明らかにする。

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)
• Physically Explainable Deep Learning for Convective Initiation Nowcasting Using GOES-16 Satellite Observations [0.1874930567916036]
  Convection Initiation (CI) nowcasting は、数値天気予報モデルと既存の nowcasting アルゴリズムの両方において難しい問題である。 本研究では,多チャンネル赤外線GOES-R衛星観測に基づくCI予測のためのオブジェクトベース確率的深層学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-10-24T17:18:44Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
  ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。 このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
  論文  参考訳（メタデータ） (2023-06-15T10:06:13Z)
• FuTH-Net: Fusing Temporal Relations and Holistic Features for Aerial Video Classification [49.06447472006251]
  本稿では,FuTH-Netと呼ばれる新しいディープニューラルネットワークを提案する。 本モデルは,ERAとDrone-Actionの2つの航空映像分類データセットを用いて評価し,最先端の成果を得た。
  論文  参考訳（メタデータ） (2022-09-22T21:15:58Z)
• CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural Representations [77.90883737693325]
  本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。 これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。 さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
  論文  参考訳（メタデータ） (2022-09-02T17:44:50Z)
• 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)
• Spatiotemporal Weather Data Predictions with Shortcut Recurrent-Convolutional Networks: A Solution for the Weather4cast challenge [0.0]
  本稿では、著者がWeather4cast 2021 Challenge Stage 1で使用したニューラルネットワークモデルについて述べる。 目的は、衛星ベースの気象データ画像の時間的進化を予測することである。 ネットワークは、ゲートリカレントユニット(GRU)、残留ブロック、U-Netに似たショートカットを持つ縮小/拡張アーキテクチャを利用するエンコーダ・フォカスターアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2021-11-03T10:36:47Z)
• Exploiting latent representation of sparse semantic layers for improved short-term motion prediction with Capsule Networks [0.12183405753834559]
  本稿では,HD(High-Definition)マップの小さな領域に対応するスパースなセマンティクス層の階層的表現を学習する文脈において,Capsule Networks(CapsNets)の利用を検討する。 CapsNetsに基づくアーキテクチャを使用することで、検出された画像内の特徴間の階層的関係を維持すると同時に、プール操作によってしばしば発生する空間データの損失を防ぐことができる。 本モデルでは,ネットワーク全体の規模を大幅に削減しつつ,予測に関する最近の研究よりも大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2021-03-02T11:13:43Z)
• Broad-UNet: Multi-scale feature learning for nowcasting tasks [3.9318191265352196]
  衛星画像を用いた画像から画像への変換問題として,nowcasting問題を扱う。 我々は,この問題を解決するために,コアUNetモデルに基づく新しいアーキテクチャであるBroad-UNetを紹介した。 提案モデルは2つの異なるnowcastingタスクに適用される。 降水マップおよび雲カバー今のキャスト。
  論文  参考訳（メタデータ） (2021-02-12T11:06:44Z)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)

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。