論文の概要: CloudTracks: A Dataset for Localizing Ship Tracks in Satellite Images of Clouds

• arxiv url: http://arxiv.org/abs/2401.14486v1
• Date: Thu, 25 Jan 2024 19:44:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 16:49:09.439641
• Title: CloudTracks: A Dataset for Localizing Ship Tracks in Satellite Images of Clouds
• Title（参考訳）: CloudTracks: クラウドの衛星画像に船舶追跡をローカライズするためのデータセット
• Authors: Muhammad Ahmed Chaudhry, Lyna Kim, Jeremy Irvin, Yuzu Ido, Sonia Chu, Jared Thomas Isobe, Andrew Y. Ng, Duncan Watson-Parris
• Abstract要約: CloudTracksは,12,000以上のシップトラックインスタンスアノテーションをラベル付けした,3,560の衛星画像を含むデータセットである。 セマンティックセグメンテーションとインスタンスセグメンテーションモデルはデータセットに基づいてベースラインをトレーニングし、私たちの最良のモデルは、船のトラックのローカライゼーションにおける過去の最先端よりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 2.730522630535052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clouds play a significant role in global temperature regulation through their effect on planetary albedo. Anthropogenic emissions of aerosols can alter the albedo of clouds, but the extent of this effect, and its consequent impact on temperature change, remains uncertain. Human-induced clouds caused by ship aerosol emissions, commonly referred to as ship tracks, provide visible manifestations of this effect distinct from adjacent cloud regions and therefore serve as a useful sandbox to study human-induced clouds. However, the lack of large-scale ship track data makes it difficult to deduce their general effects on cloud formation. Towards developing automated approaches to localize ship tracks at scale, we present CloudTracks, a dataset containing 3,560 satellite images labeled with more than 12,000 ship track instance annotations. We train semantic segmentation and instance segmentation model baselines on our dataset and find that our best model substantially outperforms previous state-of-the-art for ship track localization (61.29 vs. 48.65 IoU). We also find that the best instance segmentation model is able to identify the number of ship tracks in each image more accurately than the previous state-of-the-art (1.64 vs. 4.99 MAE). However, we identify cases where the best model struggles to accurately localize and count ship tracks, so we believe CloudTracks will stimulate novel machine learning approaches to better detect elongated and overlapping features in satellite images. We release our dataset openly at {zenodo.org/records/10042922}.
• Abstract（参考訳）: 雲は惑星アルベドへの影響を通じて地球温度の調節において重要な役割を担っている。 エアロゾルの人為的な放出は雲のアルベドを変化させる可能性があるが、この効果の程度や温度変化への影響は未だ不明である。 船舶のエアロゾル放出によって引き起こされる人為的な雲は、一般に船の線路と呼ばれ、この効果が隣接する雲の領域と異なることが明らかとなり、人為的な雲を研究するのに有用な砂場として機能する。 しかし、大規模な船舶追跡データがないため、雲の形成に対する一般的な影響を推測することは困難である。 CloudTracksは,3,560の衛星画像と12,000以上の船のトラックインスタンスアノテーションをラベル付けしたデータセットである。 セマンティクスセグメンテーションとインスタンスセグメンテーションモデルのベースラインをデータセット上でトレーニングし、最高のモデルは以前の船舶のトラックローカライゼーション(61.29対48.65 iou)の最先端を実質的に上回っていることを突き止めました。 また、最良のインスタンスセグメンテーションモデルでは、各画像中の船のトラック数を以前の最先端(1.64対4.99 MAE)よりも正確に識別できることがわかった。 しかし、最良のモデルが正確なローカライズと追跡に苦労しているケースを特定することで、cloudtracksは新しい機械学習アプローチを刺激し、衛星画像の長大で重なり合った特徴をより検出できると信じている。 データセットは{zenodo.org/records/10042922}で公開しています。

関連論文リスト

• Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
  雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。 雲の光学的厚さ推定のための新しい合成データセットを提案する。 信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
  論文  参考訳（メタデータ） (2023-11-23T14:28:28Z)
• Improving Underwater Visual Tracking With a Large Scale Dataset and Image Enhancement [70.2429155741593]
  本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。 水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。 本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。 この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
  論文  参考訳（メタデータ） (2023-08-30T07:41:26Z)
• Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
  有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。 本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。 センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
  論文  参考訳（メタデータ） (2023-02-25T18:12:37Z)
• Insight into cloud processes from unsupervised classification with a rotationally invariant autoencoder [10.739352302280667]
  現在の雲分類スキームは1ピクセルの雲の性質に基づいており、空間構造やテクスチャを考慮できない。 コンピュータビジョンの最近の進歩は、人間の事前に定義されたラベルを使わずに、画像の異なるパターンをグループ化することを可能にする。 新たなAI駆動型クラウド分類アトラス(AICCA)の生成にこのような手法を用いることについて述べる。
  論文  参考訳（メタデータ） (2022-11-02T04:08:32Z)
• AICCA: AI-driven Cloud Classification Atlas [0.0]
  本研究は, 衛星雲観測の次元性を, 自動化された非教師なしの雲分類技術を用いてグループ化することによって低減する。 このアプローチを使用して、AI駆動型クラウド分類アトラス(AICCA)という、ユニークな新しいクラウドデータセットを生成します。
  論文  参考訳（メタデータ） (2022-09-29T21:01:31Z)
• AVisT: A Benchmark for Visual Object Tracking in Adverse Visibility [125.77396380698639]
  AVisTは、視認性の悪いさまざまなシナリオにおける視覚的トラッキングのためのベンチマークである。 AVisTは、80kの注釈付きフレームを持つ120の挑戦的なシーケンスで構成されており、18の多様なシナリオにまたがっている。 我々は、属性間でのトラッキング性能を詳細に分析し、AVisTで17の人気のトラッカーと最近のトラッカーをベンチマークした。
  論文  参考訳（メタデータ） (2022-08-14T17:49:37Z)
• 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)
• NeeDrop: Self-supervised Shape Representation from Sparse Point Clouds using Needle Dropping [80.2485282512607]
  スパース点雲から形状表現を学習するための自己教師型手法NeeDropを紹介する。 形状の知識は不要で、例えば車によって取得されたライダー点雲のように、点雲は疎くすることができる。 形状復元データセットにおける既存の教師ありアプローチと同等の定量的な結果が得られる。
  論文  参考訳（メタデータ） (2021-11-30T08:35:20Z)
• 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)
• CloudCast: A Satellite-Based Dataset and Baseline for Forecasting Clouds [0.0]
  本稿では,CloudCast'と呼ばれる新しい衛星ベースのデータセットを提案する。 画像は70,080枚で、雲の種類は10種類あり、大気の複数の層がピクセルレベルでアノテートされている。 データセットの空間解像度は928 x 1530ピクセル(1ピクセルあたり3x3km)で、2017-01-01から2018-12-31までのフレーム間隔は15分である。
  論文  参考訳（メタデータ） (2020-07-15T20:20:55Z)
• Road Segmentation on low resolution Lidar point clouds for autonomous vehicles [3.6020689500145653]
  道路分割作業の精度に及ぼす高密度点雲のサブサンプリング画像による表現の影響を評価する。 LIDARの球面座標を既存のLoDNNアーキテクチャの入力チャネルとして用いる。
  論文  参考訳（メタデータ） (2020-05-27T00:38:39Z)

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。