論文の概要: A knowledge-based data-driven (KBDD) framework for all-day
identification of cloud types using satellite remote sensing
- arxiv url: http://arxiv.org/abs/2312.00308v1
- Date: Fri, 1 Dec 2023 02:58:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 15:51:13.641457
- Title: A knowledge-based data-driven (KBDD) framework for all-day
identification of cloud types using satellite remote sensing
- Title（参考訳）: 衛星リモートセンシングを用いたクラウドタイプ識別のための知識ベースデータ駆動(KBDD)フレームワーク
- Authors: Longfeng Nie, Yuntian Chen, Mengge Du, Changqi Sun, Dongxiao Zhang
- Abstract要約: クラウドタイプを常時識別するための知識ベースデータ駆動(KBDD)フレームワークを提案する。
CldNetという名前の、新しくてシンプルで効率的なネットワークが提案されている。
8+-2.18%の精度を持つCldNetは、クラウドタイプを特定する最先端技術である。
- 参考スコア（独自算出の注目度）: 0.8649679686652648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cloud types, as a type of meteorological data, are of particular significance
for evaluating changes in rainfall, heatwaves, water resources, floods and
droughts, food security and vegetation cover, as well as land use. In order to
effectively utilize high-resolution geostationary observations, a
knowledge-based data-driven (KBDD) framework for all-day identification of
cloud types based on spectral information from Himawari-8/9 satellite sensors
is designed. And a novel, simple and efficient network, named CldNet, is
proposed. Compared with widely used semantic segmentation networks, including
SegNet, PSPNet, DeepLabV3+, UNet, and ResUnet, our proposed model CldNet with
an accuracy of 80.89+-2.18% is state-of-the-art in identifying cloud types and
has increased by 32%, 46%, 22%, 2%, and 39%, respectively. With the assistance
of auxiliary information (e.g., satellite zenith/azimuth angle, solar
zenith/azimuth angle), the accuracy of CldNet-W using visible and near-infrared
bands and CldNet-O not using visible and near-infrared bands on the test
dataset is 82.23+-2.14% and 73.21+-2.02%, respectively. Meanwhile, the total
parameters of CldNet are only 0.46M, making it easy for edge deployment. More
importantly, the trained CldNet without any fine-tuning can predict cloud types
with higher spatial resolution using satellite spectral data with spatial
resolution 0.02{\deg}*0.02{\deg}, which indicates that CldNet possesses a
strong generalization ability. In aggregate, the KBDD framework using CldNet is
a highly effective cloud-type identification system capable of providing a
high-fidelity, all-day, spatiotemporal cloud-type database for many climate
assessment fields.
- Abstract（参考訳）: 気象データの一種である雲の種類は、降雨量、熱波量、水資源量、洪水および干ばつ量、食料安全保障および植生被覆量、土地利用量の変化を評価する上で特に重要である。
高分解能測地観測を効果的に活用するために,ヒマワリ8/9衛星センサのスペクトル情報に基づいて,雲の種類を常時識別する知識ベースデータ駆動(KBDD)フレームワークを設計した。
また,CldNetという新しい,シンプルで効率的なネットワークを提案する。
SegNet, PSPNet, DeepLabV3+, UNet, ResUnetなどの一般的なセマンティックセグメンテーションネットワークと比較して, 提案したモデルCldNetの精度は80.89+-2.18%であり, それぞれ32%, 46%, 22%, 2%, 39%であった。
補助情報(衛星のゼニト/方位角、太陽のゼニト/方位角など)の補助により、可視および近赤外帯を用いたcldnet-wとテストデータセット上で可視および近赤外帯を使用しないcldnet-oの精度は、それぞれ82.23+-2.14%と73.21+-2.02%である。
一方、CldNetの総パラメータはわずか0.46Mであり、エッジ展開が容易である。
さらに、微調整のない訓練されたCldNetは、空間解像度 0.02{\deg}*0.02{\deg} の衛星スペクトルデータを用いて、より高解像度の雲種を予測することができる。
まとめると、CldNetを使用したKBDDフレームワークは、多くの気候評価分野に対して、高忠実で全日時空間のクラウド型データベースを提供する、非常に効果的なクラウド型識別システムである。
関連論文リスト
- Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
私たちは小説を提案します。
ポイントGST (Point GST) と呼ばれる点雲の効率的な微細調整法。
ポイントGSTは事前トレーニングされたモデルを凍結し、スペクトル領域のパラメータを微調整するためのトレーニング可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。
挑戦的なポイントクラウドデータセットに関する大規模な実験は、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータを大幅に削減することを示した。
論文 参考訳（メタデータ） (2024-10-10T17:00:04Z) - 3D Point Cloud Network Pruning: When Some Weights Do not Matter [7.916284402013821]
点雲は、多くのアプリケーションで利用される重要な幾何学的データ構造である。
3Dポイントクラウドを処理するために、ポイントクラウドニューラルネットワーク(PC-NN)と呼ばれるディープニューラルネットワーク。
我々の研究は、標準のPCNNプルーニング技術を洗練できる有望な現象を明らかにした。
論文 参考訳（メタデータ） (2024-08-26T19:44:18Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - Spatial Layout Consistency for 3D Semantic Segmentation [0.7614628596146599]
本稿では,ALTMの点雲のボクセルに基づくセマンティックセマンティックセグメンテーションを実現するための,新しいディープ畳み込みニューラルネットワーク(DCNN)手法を提案する。
提案する深層学習手法であるセマンティック・ユーティリティ・ネットワーク(SUNet)は多次元・多次元ネットワークである。
実験により,SuNetの空間的レイアウトの整合性とマルチレゾリューション機能アグリゲーションにより,性能が大幅に向上することを示した。
論文 参考訳（メタデータ） (2023-03-02T03:24:21Z) - Self-Configuring nnU-Nets Detect Clouds in Satellite Images [30.46904432868366]
nnU-Netsは、さまざまなデータセット上でセグメンテーションネットワークのメタラーニングを実行することができる、自己再構成可能なフレームワークである。
Sentinel-2とLandsat-8のマルチスペクトル画像を用いて行った実験により,nnU-Netsは手動設計なしで最先端のクラウドセグメンテーション性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-10-24T23:39:58Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳（メタデータ） (2022-03-16T09:20:01Z) - 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) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳（メタデータ） (2021-12-07T06:59:06Z) - HRegNet: A Hierarchical Network for Large-scale Outdoor LiDAR Point
Cloud Registration [23.689229288387153]
大規模屋外LiDAR点雲登録のための効率的な階層ネットワークHRegNetを提案する。
全体的なフレームワークは、より深い層における信頼性の高い特徴と、より浅い層における正確な位置情報を組み合わせて、堅牢で正確な登録を実現する。
論文 参考訳（メタデータ） (2021-07-26T07:01:36Z) - GraNet: Global Relation-aware Attentional Network for ALS Point Cloud
Classification [7.734726150561088]
ALS点群のセマンティックラベリングに着目した新しいニューラルネットワークを提案する。
GraNetは局所幾何学的記述と局所依存性を学習する。
2つのALSポイントクラウドデータセット上で実験を行った。
論文 参考訳（メタデータ） (2020-12-24T23:54:45Z) - Analyzing the Dependency of ConvNets on Spatial Information [81.93266969255711]
本稿では,空間シャッフルとGAP+FCを用いて,学習段階とテスト段階の両方で空間情報を破壊する手法を提案する。
空間情報は、後続の層から小さな性能低下で削除できることを観察する。
論文 参考訳（メタデータ） (2020-02-05T15:22:32Z)
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。