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

• WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
  第1次一般気象基礎モデル(WeatherGFM)を紹介する。 気象理解タスクの幅広い範囲を統一的な方法で解決する。 我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
  論文  参考訳（メタデータ） (2024-11-08T09:14:19Z)
• WeatherQA: Can Multimodal Language Models Reason about Severe Weather? [45.43764278625153]
  干し草、竜巻、雷雨などの激しい対流的な気象イベントは、しばしば急速に起こるが、大きな被害を招き、毎年何十億ドルもの費用がかかる。 このことは、気象学者や住民のリスクの高い地域での適切な準備のために、前もって厳しい天候の脅威を予知することの重要性を強調している。 我々は、気象パラメータの複雑な組み合わせを推論し、現実のシナリオで厳しい天候を予測するために、機械用に設計された最初のマルチモーダルデータセットであるWeatherQAを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T05:23:18Z)
• ACE Metric: Advection and Convection Evaluation for Accurate Weather Forecasting [7.016835396874093]
  本研究では, モデルによる対流・対流予測の精度を評価するために, 対流・対流誤差(ACE)測定値を提案する。 We have confirmeded the ACE evaluation metric on the WeatherBench2 and movingMNIST datasets。
  論文  参考訳（メタデータ） (2024-06-07T06:49:59Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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。 メタウェザーは未確認の気象条件に適応でき、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)
• 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。