論文の概要: Space-scale Exploration of the Poor Reliability of Deep Learning Models: the Case of the Remote Sensing of Rooftop Photovoltaic Systems
- arxiv url: http://arxiv.org/abs/2408.07828v1
- Date: Wed, 31 Jul 2024 14:34:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 03:35:49.350500
- Title: Space-scale Exploration of the Poor Reliability of Deep Learning Models: the Case of the Remote Sensing of Rooftop Photovoltaic Systems
- Title（参考訳）: 深層学習モデルの低信頼性の空間スケール探索:屋根上太陽光発電システムのリモートセンシングを事例として
- Authors: Gabriel Kasmi, Laurent Dubus, Yves-Marie Saint Drenan, Philippe Blanc,
- Abstract要約: ディープラーニングを用いた屋上PVシステムのリモートセンシングが有望なソリューションとして浮上した。
既存の技術は、屋上PVの最新の統計を構築するのに十分な信頼性を持っていない。
本研究では,屋上PVパネルの検出を訓練したディープラーニングモデルの分類精度に及ぼす分布シフトの影響を網羅的に評価する。
- 参考スコア（独自算出の注目度）: 0.7499722271664147
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Photovoltaic (PV) energy grows rapidly and is crucial for the decarbonization of electric systems. However, centralized registries recording the technical characteristifs of rooftop PV systems are often missing, making it difficult to accurately monitor this growth. The lack of monitoring could threaten the integration of PV energy into the grid. To avoid this situation, the remote sensing of rooftop PV systems using deep learning emerged as a promising solution. However, existing techniques are not reliable enough to be used by public authorities or transmission system operators (TSOs) to construct up-to-date statistics on the rooftop PV fleet. The lack of reliability comes from the fact that deep learning models are sensitive to distribution shifts. This work proposes a comprehensive evaluation of the effects of distribution shifts on the classification accuracy of deep learning models trained to detect rooftop PV panels on overhead imagery. We construct a benchmark to isolate the sources of distribution shift and introduce a novel methodology that leverages explainable artificial intelligence (XAI) and decomposition of the input image and model's decision in terms of scales to understand how distribution shifts affect deep learning models. Finally, based on our analysis, we introduce a data augmentation technique meant to improve the robustness of deep learning classifiers to varying acquisition conditions. We show that our proposed approach outperforms competing methods. We discuss some practical recommendations for mapping PV systems using overhead imagery and deep learning models.
- Abstract（参考訳）: 太陽光発電(PV)エネルギーは急速に成長し、電気システムの脱炭に不可欠である。
しかし、屋上PVシステムの技術的特性を記録する集中型レジストリは、しばしば欠落しており、この成長を正確に監視することは困難である。
モニタリングの欠如は、PVエネルギーのグリッドへの統合を脅かす可能性がある。
このような状況を避けるため、ディープラーニングを用いた屋上PVシステムのリモートセンシングが有望なソリューションとして浮上した。
しかし、既存の技術は公共機関やトランスミッション・システム・オペレーター(TSO)が屋上PVの最新の統計を構築するのに十分な信頼性を持っていない。
信頼性の欠如は、ディープラーニングモデルが分散シフトに敏感であることに起因する。
本研究では,屋上PVパネルの検出を訓練したディープラーニングモデルの分類精度に及ぼす分布シフトの影響を網羅的に評価する。
本稿では,分散シフトの源泉を抽出するベンチマークを構築し,説明可能な人工知能(XAI)と入力画像の分解とモデル決定をスケールの観点から活用して,分散シフトがディープラーニングモデルにどのように影響するかを理解する新しい手法を提案する。
最後に,本分析に基づいて,ディープラーニング分類器の堅牢性向上を目的としたデータ拡張手法を提案する。
提案手法は競合する手法よりも優れていることを示す。
本稿では,オーバーヘッド画像とディープラーニングモデルを用いたPVシステムのマッピングの実践的推奨について論じる。
関連論文リスト
- Machine learning approaches for automatic defect detection in photovoltaic systems [1.121744174061766]
太陽電池(PV)モジュールは、製造、設置、運用中に損傷を受けやすい。
無人航空機による運用中のPVモジュールの継続的な監視が不可欠である。
コンピュータビジョンは、大規模なPVプラントの欠陥を監視するための、自動的で非破壊的で費用対効果の高いツールを提供する。
論文 参考訳（メタデータ） (2024-09-24T13:11:05Z) - Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs [0.0]
本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)モデルを提案する。
提案モデルの性能評価は,カリフォルニア州リバーサイドのIEEE 123バスシステムと実世界の給電システムを用いて行った。
論文 参考訳（メタデータ） (2024-06-05T04:28:57Z) - Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。
近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。
本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
論文 参考訳（メタデータ） (2023-12-18T09:52:14Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - Can We Reliably Improve the Robustness to Image Acquisition of Remote
Sensing of PV Systems? [0.8192907805418583]
屋上PV設置のリモートセンシングは、屋根上PV設置車両の地域規模での進化を監視する最良の選択肢である。
我々は、宇宙スケール領域におけるモデルの予測を分解するウェーブレットスケール属性法(WCAM)を利用する。
WCAMにより、PVモデルのどのスケールが残留しているかを評価することができ、取得条件に対するロバスト性を改善する手法を導出するための洞察を提供する。
論文 参考訳（メタデータ） (2023-09-21T16:15:56Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates [0.0]
PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。
このような日内予測の実現を目的とした神経自己回帰モデルについて述べる。
論文 参考訳（メタデータ） (2023-03-15T09:03:58Z) - An Adaptive Deep Learning Framework for Day-ahead Forecasting of
Photovoltaic Power Generation [0.8702432681310401]
本稿では,従来のデータから一般知識を取得するだけでなく,新たなデータから特定の知識を動的に学習するDLフレームワークである適応LSTM(AD-LSTM)モデルを提案する。
開発したAD-LSTMモデルは,特にコンセプトドリフトの存在下で,オフラインのLSTMモデルよりも高い予測能力を示す。
論文 参考訳（メタデータ） (2021-09-28T02:39:56Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。
具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。
実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
論文 参考訳（メタデータ） (2020-05-13T04:03:21Z)
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。