論文の概要: SpecTf: Transformers Enable Data-Driven Imaging Spectroscopy Cloud Detection
- arxiv url: http://arxiv.org/abs/2501.04916v1
- Date: Thu, 09 Jan 2025 02:14:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 17:34:41.368921
- Title: SpecTf: Transformers Enable Data-Driven Imaging Spectroscopy Cloud Detection
- Title(参考訳): SpecTf: Data-Driven Imaging Spectroscopy Cloud Detectionを可能にするトランスフォーマー
- Authors: Jake H. Lee, Michael Kiper, David R. Thompson, Philip G. Brodrick,
- Abstract要約: SpecTfは分光特有のディープラーニングアーキテクチャで、スペクトル情報のみを使用してクラウド検出を行う。
スペクトル測定を画像チャネルではなくシーケンスとして扱うことで、SpecTfは空間的コンテキストに依存することなく、基本的な物理的関係を学習する。
我々は、異なるプラットフォーム上の異なる機器にそれを適用することで、SpecTfのクロスストラクチャー一般化の可能性を示す。
- 参考スコア(独自算出の注目度): 0.7139158700911061
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current and upcoming generations of visible-shortwave infrared (VSWIR) imaging spectrometers promise unprecedented capacity to quantify Earth System processes across the globe. However, reliable cloud screening remains a fundamental challenge for these instruments, where traditional spatial and temporal approaches are limited by cloud variability and limited temporal coverage. The Spectroscopic Transformer (SpecTf) addresses these challenges with a spectroscopy-specific deep learning architecture that performs cloud detection using only spectral information (no spatial or temporal data are required). By treating spectral measurements as sequences rather than image channels, SpecTf learns fundamental physical relationships without relying on spatial context. Our experiments demonstrate that SpecTf significantly outperforms the current baseline approach implemented for the EMIT instrument, and performs comparably with other machine learning methods with orders of magnitude fewer learned parameters. Critically, we demonstrate SpecTf's inherent interpretability through its attention mechanism, revealing physically meaningful spectral features the model has learned. Finally, we present SpecTf's potential for cross-instrument generalization by applying it to a different instrument on a different platform without modifications, opening the door to instrument agnostic data driven algorithms for future imaging spectroscopy tasks.
- Abstract(参考訳): 現在および今後の世代の可視短波赤外分光計(VSWIR)は、地球系プロセスの定量化に前例のない容量を約束している。
しかし、従来の空間的アプローチと時間的アプローチは、雲のばらつきと時間的カバレッジの制限によって制限される。
分光変換器(SpecTf)は、スペクトル情報のみを用いてクラウド検出を行う分光固有のディープラーニングアーキテクチャ(空間的データや時間的データを必要としない)を用いて、これらの課題に対処する。
スペクトル測定を画像チャネルではなくシーケンスとして扱うことで、SpecTfは空間的コンテキストに依存することなく、基本的な物理的関係を学習する。
実験の結果,SpecTfはEMM機器に実装されている現在のベースライン手法よりも大幅に優れており,学習パラメータの桁数が桁違いに少ない他の機械学習手法と互換性があることがわかった。
批判的に、注意機構を通じてSpecTf固有の解釈可能性を示し、モデルが学んだ物理的に意味のあるスペクトル特徴を明らかにした。
最後に、異なるプラットフォーム上の異なる機器に修正を加えることで、SpecTfのクロスストラクチャー一般化の可能性を示し、将来の撮像分光処理のための非依存データ駆動アルゴリズムの扉を開く。
関連論文リスト
- CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [75.25966323298003]
スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。
スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。
我々は、$textbfC$amera-$textbfA$gnostic $textbfR$esupervised $textbfL$のモデルである$textbfCARL$を紹介した。
論文 参考訳(メタデータ) (2025-04-27T13:06:40Z) - Hyperspectral Vision Transformers for Greenhouse Gas Estimations from Space [6.559887989252469]
本研究では,マルチスペクトル入力から高スペクトルデータを合成するスペクトル変換器モデルを提案する。
モデルは、バンドワイドマスク付きオートエンコーダを介して事前訓練され、その後、アライメントされたマルチスペクトル-ハイパースペクトル画像対に微調整される。
得られた合成ハイパースペクトルデータは、マルチスペクトル画像の空間的および時間的利点を保持し、GHG予測精度を向上させる。
論文 参考訳(メタデータ) (2025-04-23T16:19:42Z) - Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE) [0.0]
ハイパースペクトル画像分割のための多種多様なディープラーニングアーキテクチャの性能を評価する。
その結果,空間情報をスペクトルデータと組み合わせることで,セグメンテーション結果が改善された。
我々は、Tecnalia WEEE Hyperspectralデータセットのクリーニングと公開によって、この分野に貢献する。
論文 参考訳(メタデータ) (2024-07-05T13:45:11Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳(メタデータ) (2024-03-12T01:28:00Z) - SpecSTG: A Fast Spectral Diffusion Framework for Probabilistic Spatio-Temporal Traffic Forecasting [29.55810183838032]
SpecSTGはトラフィック時間グラフ学習のための新しいスペクトル拡散フレームワークである。
将来の時系列のフーリエ表現を生成し、学習プロセスを空間情報に富んだスペクトル領域に変換する。
最先端技術と比較すると、SpecSTGはポイント推定において最大8%の改善を達成し、将来の不確実性を定量化するために最大0.78%の改善を達成している。
論文 参考訳(メタデータ) (2024-01-16T05:23:34Z) - SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。
既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。
我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
論文 参考訳(メタデータ) (2023-11-13T07:09:30Z) - MST++: Multi-stage Spectral-wise Transformer for Efficient Spectral
Reconstruction [148.26195175240923]
効率的なスペクトル再構成のためのマルチステージスペクトル変換器(MST++)を提案する。
NTIRE 2022 Spectral Reconstruction Challengeでは、私たちのアプローチが優勝しました。
論文 参考訳(メタデータ) (2022-04-17T02:39:32Z) - Explainable Predictive Modeling for Limited Spectral Data [0.0]
本稿では、高次元および限られたスペクトルデータの予測結果を解釈するために、最近の説明可能なAI技術を適用する。
機器の解像度制限のため、分光データの重要な領域をピンポイントすると、データ収集プロセスを最適化する経路が生成される。
具体的には,MLモデルの評価がリアルタイムの実践に堅牢であることを保証するために,3つの異なるシナリオを設計する。
論文 参考訳(メタデータ) (2022-02-09T15:46:17Z) - Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image
Reconstruction [127.20208645280438]
ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。
スペクトル間相互作用のモデル化は、HSI再構成に有用である。
Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-11-15T16:59:48Z) - Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in
Frequency Domain [88.7339322596758]
本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。
SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
論文 参考訳(メタデータ) (2021-03-02T16:45:08Z)
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。