論文の概要: gWaveNet: Classification of Gravity Waves from Noisy Satellite Data using Custom Kernel Integrated Deep Learning Method
- arxiv url: http://arxiv.org/abs/2408.14674v1
- Date: Mon, 26 Aug 2024 22:50:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 15:34:19.150565
- Title: gWaveNet: Classification of Gravity Waves from Noisy Satellite Data using Custom Kernel Integrated Deep Learning Method
- Title（参考訳）: gWaveNet:カスタムカーネル統合ディープラーニング法を用いたノイズ衛星データからの重力波の分類
- Authors: Seraj Al Mahmud Mostafa, Omar Faruque, Chenxi Wang, Jia Yue, Sanjay Purushotham, Jianwu Wang,
- Abstract要約: 本研究では,衛星画像中の重力波の同定を目的とした新しいカーネル設計を提案する。
提案するカーネルは,gWaveNetと呼ばれる深層畳み込みニューラルネットワークにシームレスに統合される。
提案モデルでは,ノイズの多い衛星データから重力波を含む画像を検出するのに,特徴工学的手法を使わずに優れた精度を示す。
- 参考スコア（独自算出の注目度）: 9.600843179393085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atmospheric gravity waves occur in the Earths atmosphere caused by an interplay between gravity and buoyancy forces. These waves have profound impacts on various aspects of the atmosphere, including the patterns of precipitation, cloud formation, ozone distribution, aerosols, and pollutant dispersion. Therefore, understanding gravity waves is essential to comprehend and monitor changes in a wide range of atmospheric behaviors. Limited studies have been conducted to identify gravity waves from satellite data using machine learning techniques. Particularly, without applying noise removal techniques, it remains an underexplored area of research. This study presents a novel kernel design aimed at identifying gravity waves within satellite images. The proposed kernel is seamlessly integrated into a deep convolutional neural network, denoted as gWaveNet. Our proposed model exhibits impressive proficiency in detecting images containing gravity waves from noisy satellite data without any feature engineering. The empirical results show our model outperforms related approaches by achieving over 98% training accuracy and over 94% test accuracy which is known to be the best result for gravity waves detection up to the time of this work. We open sourced our code at https://rb.gy/qn68ku.
- Abstract（参考訳）: 大気重力波は、重力と浮力の間の相互作用によって地球大気中に発生する。
これらの波は、降水パターン、雲の形成、オゾンの分布、エアロゾル、汚染物質分散など、大気の様々な側面に大きな影響を与える。
したがって、重力波を理解することは、幅広い大気の挙動の変化を理解し、監視するために不可欠である。
機械学習技術を用いて衛星データから重力波を識別するための限定的な研究がなされている。
特に、ノイズ除去技術を適用することなく、未調査の研究領域として残されている。
本研究では,衛星画像中の重力波の同定を目的とした新しいカーネル設計を提案する。
提案するカーネルは,gWaveNetと呼ばれる深層畳み込みニューラルネットワークにシームレスに統合される。
提案モデルでは,ノイズの多い衛星データから重力波を含む画像を検出するのに,特徴工学的手法を使わずに優れた精度を示す。
実験結果から, 重力波検出において, 98%以上のトレーニング精度と94%以上のテスト精度を達成し, 関連手法よりも優れた結果が得られた。
ソースコードはhttps://rb.gy/qn68ku.comで公開しています。
関連論文リスト
- The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。
本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文 参考訳（メタデータ） (2024-11-18T01:19:37Z) - A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。
動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。
提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文 参考訳（メタデータ） (2024-02-06T13:20:56Z) - Efficient Machine Learning Ensemble Methods for Detecting Gravitational
Wave Glitches in LIGO Time Series [0.614609308117547]
本稿では,GW観測所から異なる種類のノイズやパターンを検出するための2つの新しい機械学習アンサンブル手法を提案する。
我々は、Advanced Laser Interferometer GW Observatoryによって収集された実世界のデータから、注釈付き時系列からなるデータセット上で、我々のモデルを訓練し、テストする。
提案したDeepWaves Ensembleに次いでShallowWaves Ensembleに近づいた。
論文 参考訳（メタデータ） (2023-11-02T10:07:30Z) - Investigation of the Robustness of Neural Density Fields [7.67602635520562]
本研究は、トレーニング中のノイズや制約などの外部要因に対する堅牢性の文脈における神経密度場とその相対誤差について検討する。
両モデルが多面体およびマスコングラウンドの真理で訓練された場合も同様に機能し、基底の真理が精度のボトルネックではないことを示す。
論文 参考訳（メタデータ） (2023-05-31T09:43:49Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Swift sky localization of gravitational waves using deep learning seeded
importance sampling [3.3865605512957457]
ディープラーニングモデルは、重力波の推論タスクに対して正確で極めて高速であることを示してきたが、ニューラルネットワークのブラックボックスの性質のため、その出力は本質的に疑問視されている。
本研究では,多頭部畳み込みニューラルネットワークによって生成された近似後部への重要サンプリングを適用し,ベイズ的推論と深層学習に参画する。
ベイズ推定を用いた予測に非常によく似た、目に見えない重力波事象のスカイマップを数分で生成する。さらに、ニューラルネットワークから弱い予測を検出でき、素早くフラグを付けることができる。
論文 参考訳（メタデータ） (2021-11-01T11:05:08Z) - SpecGrav -- Detection of Gravitational Waves using Deep Learning [0.0]
2次元畳み込みニューラルネットワークと雑音に埋め込まれた重力波の分光図を用いて、二元ブラックホールの融合と二元中性子星の融合から重力波を検出する。
ニューラルネットワークのトレーニングフェーズは、2GBのGPUで約19分でした。
論文 参考訳（メタデータ） (2021-07-08T05:06:34Z) - On the Efficiency of Various Deep Transfer Learning Models in Glitch
Waveform Detection in Gravitational-Wave Data [0.0]
LIGOは、重力波を検出するために収集されるデータに影響を与える外部ノイズの乱れを引き起こす傾向がある。
これらのノイズは、LIGOコミュニティによってグリッチとして一般的に呼ばれる。
精度は98.98%、98.35%、97.56%、94.73%である。
論文 参考訳（メタデータ） (2021-07-05T08:32:58Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - Gravitational waves affect vacuum entanglement [68.8204255655161]
エンタングルメント収穫プロトコルは真空エンタングルメントを探索する方法である。
このプロトコルを用いて、個々の原子の遷移確率は重力波の存在によって影響されないが、2つの原子によって得られる絡み合いは重力波の周波数に敏感に依存することを示した。
このことは、重力波が残した絡み合い符号がその特性を特徴づけるのに有用であり、重力波メモリ効果と重力波誘起デコヒーレンスを探索するのに有用である可能性を示唆している。
論文 参考訳（メタデータ） (2020-06-19T18:01:04Z) - Proposal for an optical interferometric measurement of the gravitational
red-shift with satellite systems [52.77024349608834]
アインシュタイン等価原理(Einstein Equivalence Principle,EEP)は、重力のすべての計量理論を基盤とする。
象徴的な重力赤方偏移実験は、2つのフェルミオン系(時計として使われる)を異なる重力ポテンシャルに配置する。
衛星大距離光干渉測定実験の実装における基本的な点は、一階ドップラー効果の抑制である。
本研究では,地上局と衛星の双方向構成において,一方向の位相シフトを減らして抑制する新しい手法を提案する。
論文 参考訳（メタデータ） (2018-11-12T16:25:57Z)
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。