論文の概要: Deep Feature Gaussian Processes for Single-Scene Aerosol Optical Depth Reconstruction
- arxiv url: http://arxiv.org/abs/2405.17262v1
- Date: Mon, 27 May 2024 15:20:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 14:43:44.322858
- Title: Deep Feature Gaussian Processes for Single-Scene Aerosol Optical Depth Reconstruction
- Title（参考訳）: 単層エアロゾル光深度再構成のための深い特徴ガウス過程
- Authors: Shengjie Liu, Lu Zhang,
- Abstract要約: AOD再建のための既存の方法は時間情報に依存している。
高空間分解能のリモートセンシングデータでは、多時間観測は利用できないことが多い。
ディープラーニングを使用することで、変数をより説明可能なパワーで特徴空間に変換する。
- 参考スコア（独自算出の注目度）: 6.303674461269533
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Remote sensing data provide a low-cost solution for large-scale monitoring of air pollution via the retrieval of aerosol optical depth (AOD), but is often limited by cloud contamination. Existing methods for AOD reconstruction rely on temporal information. However, for remote sensing data at high spatial resolution, multi-temporal observations are often unavailable. In this letter, we take advantage of deep representation learning from convolutional neural networks and propose Deep Feature Gaussian Processes (DFGP) for single-scene AOD reconstruction. By using deep learning, we transform the variables to a feature space with better explainable power. By using Gaussian processes, we explicitly consider the correlation between observed AOD and missing AOD in spatial and feature domains. Experiments on two AOD datasets with real-world cloud patterns showed that the proposed method outperformed deep CNN and random forest, achieving R$^2$ of 0.7431 on MODIS AOD and R$^2$ of 0.9211 on EMIT AOD, compared to deep CNN's R$^2$ of 0.6507 and R$^2$ of 0.8619. The proposed methods increased R$^2$ by over 0.35 compared to the popular random forest in AOD reconstruction. The data and code used in this study are available at \url{https://skrisliu.com/dfgp}.
- Abstract（参考訳）: リモートセンシングデータは、エアロゾル光深度(AOD)の検索による大気汚染の大規模監視のための低コストなソリューションを提供するが、しばしば雲汚染によって制限される。
AOD再建のための既存の方法は時間情報に依存している。
しかし、高空間分解能のリモートセンシングデータでは、多時間観測は利用できないことが多い。
本稿では,畳み込みニューラルネットワークからの深部表現学習を活用し,単一シーンAOD再構成のためのDeep Feature Gaussian Processes (DFGP)を提案する。
ディープラーニングを使用することで、変数をより説明可能なパワーで特徴空間に変換する。
ガウス過程を用いて、観測されたAODと空間領域と特徴領域の欠落AODとの相関を明示的に考察する。
実世界の雲パターンを持つ2つのAODデータセットを用いた実験により、提案手法は深部CNNとランダムフォレストより優れ、MODIS AODではR$^2$ 0.7431、EMIT AODではR$^2$ 0.9211、深部CNNではR$^2$ 0.6507、R$^2$ 0.8619であった。
提案手法はAOD再建において一般的なランダム林に比べてR$^2$を0.35以上増加させた。
この研究で使用されたデータとコードは、 \url{https://skrisliu.com/dfgp} で入手できる。
関連論文リスト
- bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。
Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。
本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
論文 参考訳（メタデータ） (2024-10-30T17:30:35Z) - Direct initial orbit determination [20.22978490236837]
D-IODは観測されたストリーク画像に直接軌道パラメータを適合させる。
提案する非線形最小二乗目的関数は,候補軌道生成ストリーク画像と観測ストリーク画像との損失を算出する。
論文 参考訳（メタデータ） (2023-08-28T04:34:50Z) - FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳（メタデータ） (2023-08-24T02:28:18Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳（メタデータ） (2023-03-10T07:42:49Z) - Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes
problem [78.20667552233989]
我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。
本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
論文 参考訳（メタデータ） (2022-07-04T14:51:59Z) - Spatiotemporal Estimation of TROPOMI NO2 Column with Depthwise Partial
Convolutional Neural Network [0.17590081165362778]
衛星による観測は、雲の覆いと表面反射率に負の影響を受けている。
本稿では,部分畳み込みニューラルネットワーク(PCNN)の適用範囲を広げ,深部畳み込み層を組み込む。
深層学習システムは,TROpospheric Monitoring Instrument TCDNO2をインプットするために,N_2(TCDNO2)の球面密度をシミュレーションしたコミュニティマルチスケール空気品質モデルを用いて訓練される。
論文 参考訳（メタデータ） (2022-04-12T16:23:36Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳（メタデータ） (2022-02-23T18:57:53Z) - Deep learning fluid flow reconstruction around arbitrary two-dimensional
objects from sparse sensors using conformal mappings [0.0]
本研究では,SMGFRタスクと呼ばれる新しいフレームワークを提案する。
異なる2次元物体の周りの流体を再学習することなく再構成することができる。
SMGFRタスクは将来的に流動スナップショットの予測に拡張される。
論文 参考訳（メタデータ） (2022-02-08T11:44:16Z) - Depth Estimation from Monocular Images and Sparse radar using Deep
Ordinal Regression Network [2.0446891814677692]
我々は, スパースレーダデータを単眼深度推定モデルに統合し, レーダによって提供されるスパースネスと限られた視野を減らすための新しい前処理手法を提案する。
本稿では,Fuらによる深度回帰ネットワークに基づく深度学習を用いて,単眼2次元画像から高密度深度マップを推定する手法を提案する。
論文 参考訳（メタデータ） (2021-07-15T20:17:48Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。