論文の概要: Modeling Weather Uncertainty for Multi-weather Co-Presence Estimation
- arxiv url: http://arxiv.org/abs/2403.20092v1
- Date: Fri, 29 Mar 2024 10:05:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 16:04:00.947657
- Title: Modeling Weather Uncertainty for Multi-weather Co-Presence Estimation
- Title(参考訳): マルチウェザーコプレゼンス推定のための気象不確かさのモデル化
- Authors: Qi Bi, Shaodi You, Theo Gevers,
- Abstract要約: 既存のアルゴリズムでは、気象条件を個別の状態としてモデル化し、マルチラベル分類を用いて推定する。
マルチウェザー条件の物理的定式化を考慮し,物理パラメータが画像の外観から学習に与える影響をモデル化する。
- 参考スコア(独自算出の注目度): 25.060597623607784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Images from outdoor scenes may be taken under various weather conditions. It is well studied that weather impacts the performance of computer vision algorithms and needs to be handled properly. However, existing algorithms model weather condition as a discrete status and estimate it using multi-label classification. The fact is that, physically, specifically in meteorology, weather are modeled as a continuous and transitional status. Instead of directly implementing hard classification as existing multi-weather classification methods do, we consider the physical formulation of multi-weather conditions and model the impact of physical-related parameter on learning from the image appearance. In this paper, we start with solid revisit of the physics definition of weather and how it can be described as a continuous machine learning and computer vision task. Namely, we propose to model the weather uncertainty, where the level of probability and co-existence of multiple weather conditions are both considered. A Gaussian mixture model is used to encapsulate the weather uncertainty and a uncertainty-aware multi-weather learning scheme is proposed based on prior-posterior learning. A novel multi-weather co-presence estimation transformer (MeFormer) is proposed. In addition, a new multi-weather co-presence estimation (MePe) dataset, along with 14 fine-grained weather categories and 16,078 samples, is proposed to benchmark both conventional multi-label weather classification task and multi-weather co-presence estimation task. Large scale experiments show that the proposed method achieves state-of-the-art performance and substantial generalization capabilities on both the conventional multi-label weather classification task and the proposed multi-weather co-presence estimation task. Besides, modeling weather uncertainty also benefits adverse-weather semantic segmentation.
- Abstract(参考訳): 屋外のシーンの画像は、様々な気象条件下で撮影することができる。
気象がコンピュータビジョンアルゴリズムの性能に影響を与え、適切に処理する必要があることはよく研究されている。
しかし、既存のアルゴリズムは気象条件を離散的な状態としてモデル化し、マルチラベル分類を用いて推定する。
事実、物理的には、特に気象学において、気象は連続的かつ過渡的な状態としてモデル化されている。
既存のマルチウェザー分類法のようにハードな分類を直接実装するのではなく、マルチウェザー条件の物理的定式化を検討し、物理的パラメータが画像の外観から学習に与える影響をモデル化する。
本稿では、気象の物理的定義と、それを連続機械学習とコンピュータビジョンのタスクとして記述する方法を、よりしっかりと再考することから始める。
すなわち、複数の気象条件の確率と共存のレベルが共に考慮されるような気象の不確実性をモデル化することを提案する。
気象の不確実性をカプセル化するためにガウス混合モデルを用い, 事前学習に基づいて, 不確実性を考慮したマルチウェザー学習手法を提案する。
マルチウェザー共プレゼンス推定変換器(MeFormer)を提案する。
さらに,14の微粒な気象カテゴリと16,078のサンプルとともに,新しいマルチウェザーコプレゼンス推定(MePe)データセットを提案し,従来のマルチラベル気象分類タスクとマルチウェザーコプレゼンス推定タスクの両方をベンチマークした。
大規模実験により,提案手法は,従来のマルチラベル気象分類タスクと,提案したマルチウェザー共同プレゼンス推定タスクの両方において,最先端の性能と実質的な一般化能力を実現することが示された。
さらに、気象の不確実性のモデル化は、悪天候のセマンティックセグメンテーションにも効果がある。
関連論文リスト
- Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for
Video Adverse Weather Removal [53.15046196592023]
ビデオの悪天候除去におけるテスト時間適応について紹介する。
本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-12T14:21:30Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。
我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。
我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
論文 参考訳(メタデータ) (2023-10-23T14:02:57Z) - MetaWeather: Few-Shot Weather-Degraded Image Restoration [17.63266150036311]
メタウェザー(MetaWeather)は、多様な新しい気象条件を単一の統一モデルで処理できる普遍的なアプローチである。
提案手法は,未確認の気象条件に適応し,最先端のマルチウェザー画像復元法よりも優れることを示す。
論文 参考訳(メタデータ) (2023-08-28T06:25:40Z) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳(メタデータ) (2023-06-24T22:00:06Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳(メタデータ) (2023-06-15T10:06:13Z) - Counting Crowds in Bad Weather [68.50690406143173]
本研究では,悪天候シナリオにおいて,ロバストな群集カウント手法を提案する。
モデルでは,外見のバリエーションが大きいことを考慮し,効果的な特徴と適応的なクエリを学習する。
実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることが示唆された。
論文 参考訳(メタデータ) (2023-06-02T00:00:09Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳(メタデータ) (2020-08-25T02:41:32Z)
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。