論文の概要: A Benchmark Dataset for Tornado Detection and Prediction using
Full-Resolution Polarimetric Weather Radar Data
- arxiv url: http://arxiv.org/abs/2401.16437v1
- Date: Fri, 26 Jan 2024 21:47:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 17:54:04.409487
- Title: A Benchmark Dataset for Tornado Detection and Prediction using
Full-Resolution Polarimetric Weather Radar Data
- Title（参考訳）: フルレゾリューションポラリメトリック気象レーダデータを用いた竜巻検出・予測のためのベンチマークデータセット
- Authors: Mark S. Veillette, James M. Kurdzo, Phillip M. Stepanian, John Y. N.
Cho, Siddharth Samsi and Joseph McDonald
- Abstract要約: 本研究では,竜巻検出および予測における機械学習アルゴリズムの開発を支援するため,新しいベンチマークデータセットであるTorNetを紹介する。
手動による特徴抽出を必要とせずに生のレーダー画像を処理できる新しいディープラーニング(DL)アーキテクチャについて検討した。
手動のフィーチャエンジニアリングや他の前処理の恩恵を受けないにもかかわらず、DLモデルは非DLや運用ベースラインと比較して検出性能が向上している。
- 参考スコア（独自算出の注目度）: 4.1241397159763835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weather radar is the primary tool used by forecasters to detect and warn for
tornadoes in near-real time. In order to assist forecasters in warning the
public, several algorithms have been developed to automatically detect tornadic
signatures in weather radar observations. Recently, Machine Learning (ML)
algorithms, which learn directly from large amounts of labeled data, have been
shown to be highly effective for this purpose. Since tornadoes are extremely
rare events within the corpus of all available radar observations, the
selection and design of training datasets for ML applications is critical for
the performance, robustness, and ultimate acceptance of ML algorithms. This
study introduces a new benchmark dataset, TorNet to support development of ML
algorithms in tornado detection and prediction. TorNet contains
full-resolution, polarimetric, Level-II WSR-88D data sampled from 10 years of
reported storm events. A number of ML baselines for tornado detection are
developed and compared, including a novel deep learning (DL) architecture
capable of processing raw radar imagery without the need for manual feature
extraction required for existing ML algorithms. Despite not benefiting from
manual feature engineering or other preprocessing, the DL model shows increased
detection performance compared to non-DL and operational baselines. The TorNet
dataset, as well as source code and model weights of the DL baseline trained in
this work, are made freely available.
- Abstract（参考訳）: 気象レーダーは、ほぼリアルタイムで竜巻を検出し警告するために、予報装置が使用する主要なツールである。
気象レーダー観測における竜巻のシグネチャを自動検出するアルゴリズムがいくつか開発されている。
近年、大量のラベル付きデータから直接学習する機械学習(ML)アルゴリズムが、この目的のために非常に効果的であることが示されている。
トルネードは、利用可能なすべてのレーダー観測のコーパス内で非常に稀なイベントであるため、MLアプリケーションのためのトレーニングデータセットの選択と設計は、MLアルゴリズムのパフォーマンス、堅牢性、最終的な受け入れに不可欠である。
本研究では,竜巻検出と予測におけるMLアルゴリズムの開発を支援するベンチマークデータセットTorNetを紹介する。
TorNetは10年間の嵐イベントから採取された、完全解像度で偏光度の高いレベルII WSR-88Dデータを含んでいる。
既存のMLアルゴリズムに必要な手動の特徴抽出を必要とせず、生のレーダー画像を処理することができる新しいディープラーニング(DL)アーキテクチャなど、竜巻検出のためのMLベースラインが開発・比較されている。
手動のフィーチャエンジニアリングや他の前処理の恩恵を受けないにもかかわらず、DLモデルは非DLや運用ベースラインと比較して検出性能が向上している。
TorNetデータセットと、この作業でトレーニングされたDLベースラインのソースコードとモデルウェイトは、無償で利用可能である。
関連論文リスト
- Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Reviewing 3D Object Detectors in the Context of High-Resolution 3+1D
Radar [0.7279730418361995]
高分解能4D(3+1D)レーダーセンサーは、ディープラーニングに基づくレーダー知覚の研究を行っている。
本研究では,3次元物体検出のためのレーダポイントクラウドで動作するディープラーニングモデルについて検討する。
論文 参考訳（メタデータ） (2023-08-10T10:10:43Z) - Generation of Realistic Synthetic Raw Radar Data for Automated Driving
Applications using Generative Adversarial Networks [0.0]
本研究では、GAN(Generative Adversarial Network)を用いた合成生レーダデータを生成するFMCWレーダシミュレーションの高速化手法を提案する。
コードとトレーニング済みのウェイトはオープンソースで、GitHubから入手可能だ。
以上の結果から, 車両のコヒーレントレーダ反射と背景騒音は, チャープ, RAマップ, 物体検出結果の比較に基づいて, 現実的であることがわかった。
論文 参考訳（メタデータ） (2023-08-04T17:44:27Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-05-22T07:09:35Z) - Automotive RADAR sub-sampling via object detection networks: Leveraging
prior signal information [18.462990836437626]
自動運転技術への関心が高まり、自動車レーダーはますます注目を集めている。
本研究では,従来の環境条件の知識に基づいて,より詳細な/正確な再構築を必要とする地域を特定するための適応型レーダサブサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-21T05:32:28Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - DeepHybrid: Deep Learning on Automotive Radar Spectra and Reflections
for Object Classification [0.5669790037378094]
本稿では,従来のレーダ信号処理とディープラーニングアルゴリズムを組み合わせた手法を提案する。
提案手法は, 自動緊急ブレーキや衝突回避システムの改善などに用いることができる。
論文 参考訳（メタデータ） (2022-02-17T08:45:11Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person
Detection in 2D Range Data [81.06749792332641]
本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。
DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。
DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
論文 参考訳（メタデータ） (2020-04-29T11:01:44Z) - Probabilistic Oriented Object Detection in Automotive Radar [8.281391209717103]
本稿では,レーダー物体検出のためのディープラーニングに基づくアルゴリズムを提案する。
我々は102544フレームの生レーダと同期LiDARデータを備えた新しいマルチモーダルデータセットを作成しました。
我々の最高性能レーダ検出モデルは、指向性IoU0.3で77.28%APを達成した。
論文 参考訳（メタデータ） (2020-04-11T05:29:32Z)
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。