論文の概要: Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network

• arxiv url: http://arxiv.org/abs/2306.09987v1
• Date: Fri, 16 Jun 2023 17:35:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-19 12:42:15.360848
• Title: Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network
• Title（参考訳）: 深層畳み込み残留回帰ニューラルネットワークによる海洋温度の変換観測
• Authors: Albert Larson and Ali Shafqat Akanda
• Abstract要約: 海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sea surface temperature (SST) is an essential climate variable that can be measured via ground truth, remote sensing, or hybrid model methodologies. Here, we celebrate SST surveillance progress via the application of a few relevant technological advances from the late 20th and early 21st century. We further develop our existing water cycle observation framework, Flux to Flow (F2F), to fuse AMSR-E and MODIS into a higher resolution product with the goal of capturing gradients and filling cloud gaps that are otherwise unavailable. Our neural network architecture is constrained to a deep convolutional residual regressive neural network. We utilize three snapshots of twelve monthly SST measurements in 2010 as measured by the passive microwave radiometer AMSR-E, the visible and infrared monitoring MODIS instrument, and the in situ Argo dataset ISAS. The performance of the platform and success of this approach is evaluated using the root mean squared error (RMSE) metric. We determine that the 1:1 configuration of input and output data and a large observation region is too challenging for the single compute node and dcrrnn structure as is. When constrained to a single 100 x 100 pixel region and a small training dataset, the algorithm improves from the baseline experiment covering a much larger geography. For next discrete steps, we envision the consideration of a large input range with a very small output range. Furthermore, we see the need to integrate land and sea variables before performing computer vision tasks like those within. Finally, we see parallelization as necessary to overcome the compute obstacles we encountered.
• Abstract（参考訳）: 海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭のいくつかの技術進歩を応用して,SST監視の進展を祝う。 既存の水循環観測フレームワークであるFlux to Flow (F2F) をさらに発展させ, AMSR-E と MODIS を高分解能製品に融合させる。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残差回帰ニューラルネットワークに制約されている。 受動マイクロ波放射計AMSR-E, 可視・赤外監視MODIS, およびISASを用いて, 2010年における月12SST測定のスナップショットを3枚利用した。 プラットフォームの性能とこのアプローチの成功を,ルート平均二乗誤差(RMSE)測定値を用いて評価する。 入力データと出力データの1:1構成と大きな観測領域は、1つの計算ノードとdcrrnn構造に対して、現状では難しすぎると判断する。 単一の100×100ピクセル領域と小さなトレーニングデータセットに制約された場合、アルゴリズムはより広い地理的領域をカバーするベースライン実験から改善される。 次の離散的なステップでは、非常に小さな出力範囲を持つ大きな入力範囲について検討する。 さらに、その内のようなコンピュータビジョンタスクを実行する前に、陸地変数と海変数を統合する必要がある。 最後に、私たちが遭遇した計算障害を克服するために並列化が必要であると考えています。

関連論文リスト

• Scale-Translation Equivariant Network for Oceanic Internal Solitary Wave Localization [7.444865250744234]
  内部孤立波(英:internal Solitary wave、ISW)は、内部の海洋でしばしば観測される重力波である。 光リモートセンシング画像における雲のカバーは、地表面の情報を可変的に曖昧にし、ぼやけたり、表面の観察を欠いたりする。 本稿では,ISWを自動検出するアルゴリズムを用いた機械学習ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-06-18T21:09:56Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• Sparse Auxiliary Networks for Unified Monocular Depth Prediction and Completion [56.85837052421469]
  コスト効率のよいセンサで得られたデータからシーン形状を推定することは、ロボットや自動運転車にとって鍵となる。 本稿では,1枚のRGB画像から,低コストな能動深度センサによるスパース計測により,深度を推定する問題について検討する。 sparse networks (sans) は,深さ予測と完了という2つのタスクをmonodepthネットワークで実行可能にする,新しいモジュールである。
  論文  参考訳（メタデータ） (2021-03-30T21:22:26Z)
• Learning Monocular Dense Depth from Events [53.078665310545745]
  イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。 最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。 本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T12:36:23Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)
• Filtering Internal Tides From Wide-Swath Altimeter Data Using Convolutional Neural Networks [9.541153192112194]
  本稿では畳み込みニューラルネットワーク(ConvNets)を用いて、内潮信号のないフィールドを推定する。 また,海面温度(SST)などの他の海面変数からの追加データについても検討した。
  論文  参考訳（メタデータ） (2020-05-03T14:02:31Z)
• JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
  我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。 本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T14:59:35Z)

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。