論文の概要: Fourier Amplitude and Correlation Loss: Beyond Using L2 Loss for Skillful Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2410.23159v1
• Date: Wed, 30 Oct 2024 16:12:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:29:05.442724
• Title: Fourier Amplitude and Correlation Loss: Beyond Using L2 Loss for Skillful Precipitation Nowcasting
• Title（参考訳）: フーリエ振幅と相関損失: 巧妙な降雨予報にL2損失を使わず
• Authors: Chiu-Wai Yan, Shi Quan Foo, Van Hoan Trinh, Dit-Yan Yeung, Ka-Hing Wong, Wai-Kin Wong,
• Abstract要約: 2つの新しい損失項からなる新しいフーリエ振幅と相関損失(FACL)を提案する。 2つの損失項は、時間的予測問題に対するMSEや重み付きMSEのような従来の$L$損失を置き換えるために協力する。 本手法は,画素単位の精度と構造的類似性に小さなトレードオフを伴って,知覚的指標と気象学のスキルスコアを改善する。
• 参考スコア（独自算出の注目度）: 11.931403313504754
• License:
• Abstract: Deep learning approaches have been widely adopted for precipitation nowcasting in recent years. Previous studies mainly focus on proposing new model architectures to improve pixel-wise metrics. However, they frequently result in blurry predictions which provide limited utility to forecasting operations. In this work, we propose a new Fourier Amplitude and Correlation Loss (FACL) which consists of two novel loss terms: Fourier Amplitude Loss (FAL) and Fourier Correlation Loss (FCL). FAL regularizes the Fourier amplitude of the model prediction and FCL complements the missing phase information. The two loss terms work together to replace the traditional $L_2$ losses such as MSE and weighted MSE for the spatiotemporal prediction problem on signal-based data. Our method is generic, parameter-free and efficient. Extensive experiments using one synthetic dataset and three radar echo datasets demonstrate that our method improves perceptual metrics and meteorology skill scores, with a small trade-off to pixel-wise accuracy and structural similarity. Moreover, to improve the error margin in meteorological skill scores such as Critical Success Index (CSI) and Fractions Skill Score (FSS), we propose and adopt the Regional Histogram Divergence (RHD), a distance metric that considers the patch-wise similarity between signal-based imagery patterns with tolerance to local transforms. Code is available at https://github.com/argenycw/FACL
• Abstract（参考訳）: 近年,降水源として深層学習のアプローチが広く採用されている。 従来の研究は主に、ピクセル単位のメトリクスを改善するための新しいモデルアーキテクチャの提案に重点を置いていた。 しかし、それらはしばしば、予測操作に限られたユーティリティを提供するぼやけた予測をもたらす。 本研究では,FAL (Fourier Amplitude Loss) とFCL (Fourier correlation Loss) の2つの新しい損失項からなる新しいFourier Amplitude and correlation Loss (FACL) を提案する。 FALはモデル予測のフーリエ振幅を正規化し、FCLは欠落した位相情報を補完する。 2つの損失項は、信号ベースデータにおける時空間予測問題に対するMSEや重み付きMSEのような従来の$L_2$損失を置き換えるために協力する。 我々の手法は汎用的でパラメータフリーで効率的です。 1つの合成データセットと3つのレーダエコーデータセットを用いた大規模な実験により、我々の手法は、ピクセル単位の精度と構造的類似性に小さなトレードオフを伴い、知覚的メトリクスと気象学のスキルスコアを改善することを示した。 さらに,CSI(Critical Success Index)やFSS(Fractions Skill Score)などの気象技術スコアの誤差マージンを改善するために,局所変換に耐性のある信号ベースの画像パターン間のパッチワイドな類似性を考慮したRHD(Regional Histogram Divergence)を提案する。 コードはhttps://github.com/argenycw/FACLで入手できる。

関連論文リスト

• Misalignment-Robust Frequency Distribution Loss for Image Transformation [51.0462138717502]
  本稿では,画像強調や超解像といった深層学習に基づく画像変換手法における共通の課題に対処することを目的とする。 本稿では、周波数領域内における分布距離を計算するための、新しいシンプルな周波数分布損失(FDL)を提案する。 本手法は,周波数領域におけるグローバル情報の思慮深い活用により,トレーニング制約として実証的に有効であることが実証された。
  論文  参考訳（メタデータ） (2024-02-28T09:27:41Z)
• 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)
• Accelerated Neural Network Training with Rooted Logistic Objectives [13.400503928962756]
  我々は、少なくともロジスティック損失と同じくらい厳密なエムの厳密凸関数列を導出する。 その結果,根付き損失関数による学習はより早く収束し,性能が向上した。
  論文  参考訳（メタデータ） (2023-10-05T20:49:48Z)
• Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural Network Emulators of Geophysical Turbulence [0.0]
  しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。 1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。 いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
  論文  参考訳（メタデータ） (2023-04-28T21:34:53Z)
• Magic ELF: Image Deraining Meets Association Learning and Transformer [63.761812092934576]
  本稿では,CNN と Transformer を統合化して,画像デライニングにおける学習のメリットを活用することを目的とする。 降雨除去と背景復旧を関連づける新しいマルチインプット・アテンション・モジュール (MAM) を提案する。 提案手法(ELF)は,最先端手法(MPRNet)を平均0.25dB向上させる。
  論文  参考訳（メタデータ） (2022-07-21T12:50:54Z)
• Can we integrate spatial verification methods into neural-network loss functions for atmospheric science? [0.030458514384586396]
  大気科学におけるニューラルネットワーク(NN)は、ほぼ常にピクセル単位の損失関数を最適化するために訓練されている。 これにより、トレーニング中のモデル検証とトレーニング後のモデル検証の切り離しが確立される。 本研究では,空間的に拡張された損失関数(SELF)を開発し,雷雨の発生を予測する実世界の問題に対するそれらの利用を実証する。
  論文  参考訳（メタデータ） (2022-03-21T17:18:43Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Contrastive Learning for Local and Global Learning MRI Reconstruction [25.279021256319467]
  局所・グローバル学習型MRI再構成ネットワーク(CLGNet)のためのコントラスト学習を提案する。 具体的には、フーリエ理論によれば、フーリエ領域の各値は空間領域の全ての値から計算される。 自己アテンションとトランスフォーマーと比較して、SFLはより強力な学習能力を持ち、より少ない時間でより良いパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2021-11-30T08:23:53Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)

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。