論文の概要: Deep machine learning for meteor monitoring: advances with transfer
learning and gradient-weighted class activation mapping
- arxiv url: http://arxiv.org/abs/2310.16826v2
- Date: Thu, 26 Oct 2023 10:49:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 00:16:53.937130
- Title: Deep machine learning for meteor monitoring: advances with transfer
learning and gradient-weighted class activation mapping
- Title（参考訳）: meteorモニタリングのためのdeep machine learning - transfer learningとgradient-weighted class activation mappingによる進歩
- Authors: Eloy Pe\~na-Asensio, Josep M. Trigo-Rodr\'iguez, Pau Gr\`ebol-Tom\`as,
David Regordosa-Avellana, Albert Rimola
- Abstract要約: 我々は、畳み込みニューラルネットワーク(CNN)を用いて、気象検出を分類する完全自動パイプラインを開発した。
我々の新しい手法は、雲や月、建物などの静的要素を含む画像でも隕石を検出することができる。
スペイン気象局(SPMN)が収集した大規模なデータセットを用いて、我々のモデルをトレーニングし、評価し、精度は98%に達した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent decades, the use of optical detection systems for meteor studies
has increased dramatically, resulting in huge amounts of data being analyzed.
Automated meteor detection tools are essential for studying the continuous
meteoroid incoming flux, recovering fresh meteorites, and achieving a better
understanding of our Solar System. Concerning meteor detection, distinguishing
false positives between meteor and non-meteor images has traditionally been
performed by hand, which is significantly time-consuming. To address this
issue, we developed a fully automated pipeline that uses Convolutional Neural
Networks (CNNs) to classify candidate meteor detections. Our new method is able
to detect meteors even in images that contain static elements such as clouds,
the Moon, and buildings. To accurately locate the meteor within each frame, we
employ the Gradient-weighted Class Activation Mapping (Grad-CAM) technique.
This method facilitates the identification of the region of interest by
multiplying the activations from the last convolutional layer with the average
of the gradients across the feature map of that layer. By combining these
findings with the activation map derived from the first convolutional layer, we
effectively pinpoint the most probable pixel location of the meteor. We trained
and evaluated our model on a large dataset collected by the Spanish Meteor
Network (SPMN) and achieved a precision of 98\%. Our new methodology presented
here has the potential to reduce the workload of meteor scientists and station
operators and improve the accuracy of meteor tracking and classification.
- Abstract（参考訳）: 近年では、気象研究における光学検出システムの利用が劇的に増加し、膨大な量のデータが分析されている。
隕石の自動検出ツールは、連続的な隕石の入射流の研究、新しい隕石の回収、太陽系のより深い理解を達成するのに不可欠である。
隕石検出に関して、隕石と非気象画像の偽陽性の区別は伝統的に手作業で行われてきた。
この問題に対処するため,我々は,畳み込みニューラルネットワーク(cnns)を用いて候補流星検出を分類する完全自動化パイプラインを開発した。
提案手法では,雲や月,建物などの静的要素を含む画像においても,流星を検出できる。
各フレーム内の隕石を正確に検出するために、グラディエント重み付きクラス活性化マッピング(Grad-CAM)技術を用いる。
この方法では、最後の畳み込み層からのアクティベーションを、その層の特徴マップ上の勾配の平均値に乗じることで、関心領域の識別を容易にする。
これらの知見を第1畳み込み層から導出した活性化マップと組み合わせることで、隕石の最も可能性の高い画素位置を効果的に特定する。
本研究では,スペインのmeteor network (spmn) が収集した大規模データセット上でモデルをトレーニングし,98\%の精度で評価した。
今回紹介した新しい手法は,流星科学者とステーションオペレータの作業負荷を低減し,流星追跡と分類の精度を向上させる可能性を秘めている。
関連論文リスト
- MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - 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) - A new meteor detection application robust to camera movements [0.0]
本稿では,隕石の自動検出のための新しいツールを提案する。
気象観測は、気象気球や飛行機内のカメラが撮影した映像を、安定して分析することで検出することができる。
論文 参考訳（メタデータ） (2023-09-12T07:56:55Z) - AI-Enhanced Data Processing and Discovery Crowd Sourcing for Meteor
Shower Mapping [0.32622301272834514]
The Cameras for Allsky Meteor Surveillance(CAMS)プロジェクトは、低照度ビデオカメラで検出された流星軌道を三角測量することで、流星群をマッピングすることを目的としています。
我々の研究は、自動クラウドベースのAI対応パイプラインを実装することで、データ処理の合理化を目的としていた。
現在までに、CAMSは200以上の新しい流星群を発見し、これまでに報告された数十の流星群を検証している。
論文 参考訳（メタデータ） (2023-08-02T18:26:16Z) - Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。
そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文 参考訳（メタデータ） (2022-12-09T11:32:36Z) - SatMAE: Pre-training Transformers for Temporal and Multi-Spectral
Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。
時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文 参考訳（メタデータ） (2022-07-17T01:35:29Z) - Recovery of Meteorites Using an Autonomous Drone and Machine Learning [3.3563930847025025]
現場でドローンが撮影した画像から隕石を認識するために、さまざまな畳み込みニューラルネットワークの組み合わせをオフラインで展開する概念的隕石分類器について説明する。
このシステムは概念的なドローンで実装され、ネバダ州ウォーカー湖近くで最近落下した隕石の被疑地でテストされた。
論文 参考訳（メタデータ） (2021-06-11T17:36:33Z) - City-scale Scene Change Detection using Point Clouds [71.73273007900717]
2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。
変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。
この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。
提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
論文 参考訳（メタデータ） (2021-03-26T08:04:13Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z) - Machine Learning for Semi-Automated Meteorite Recovery [0.0]
本稿では,ドローンと機械学習アルゴリズムを用いて,火球ネットワークによって観測・制約された隕石の落下を回収する新しい手法を提案する。
このアプローチでは、特定の落下地点の局所的な地形の画像を使用して、隕石候補を検出するように設計された人工ニューラルネットワークをトレーニングする。
我々は, 隕石検出率を75～97%と評価し, また, 偽陽性を除去するための効率的なメカニズムについて検討した。
論文 参考訳（メタデータ） (2020-09-29T08:27:41Z)
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。