論文の概要: IceBench: A Benchmark for Deep Learning based Sea Ice Type Classification

• arxiv url: http://arxiv.org/abs/2503.17877v1
• Date: Sat, 22 Mar 2025 23:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:37:52.971290
• Title: IceBench: A Benchmark for Deep Learning based Sea Ice Type Classification
• Title（参考訳）: IceBench: 深層学習に基づく海水型分類のためのベンチマーク
• Authors: Samira Alkaee Taleghan, Andrew P. Barrett, Walter N. Meier, Farnoush Banaei-Kashani,
• Abstract要約: 海水型分類のための総合的なベンチマークフレームワークであるIceBenchを紹介する。 IceBenchはオープンソースであり、他の海氷型の分類手法の便利な統合と評価を可能にする。 代表モデルに関する詳細な比較研究を行い,その強度と限界を評価する。
• 参考スコア（独自算出の注目度）: 1.2499537119440243
• License:
• Abstract: Sea ice plays a critical role in the global climate system and maritime operations, making timely and accurate classification essential. However, traditional manual methods are time-consuming, costly, and have inherent biases. Automating sea ice type classification addresses these challenges by enabling faster, more consistent, and scalable analysis. While both traditional and deep learning approaches have been explored, deep learning models offer a promising direction for improving efficiency and consistency in sea ice classification. However, the absence of a standardized benchmark and comparative study prevents a clear consensus on the best-performing models. To bridge this gap, we introduce \textit{IceBench}, a comprehensive benchmarking framework for sea ice type classification. Our key contributions are threefold: First, we establish the IceBench benchmarking framework which leverages the existing AI4Arctic Sea Ice Challenge dataset as a standardized dataset, incorporates a comprehensive set of evaluation metrics, and includes representative models from the entire spectrum of sea ice type classification methods categorized in two distinct groups, namely, pixel-based classification methods and patch-based classification methods. IceBench is open-source and allows for convenient integration and evaluation of other sea ice type classification methods; hence, facilitating comparative evaluation of new methods and improving reproducibility in the field. Second, we conduct an in-depth comparative study on representative models to assess their strengths and limitations, providing insights for both practitioners and researchers. Third, we leverage IceBench for systematic experiments addressing key research questions on model transferability across seasons (time) and locations (space), data downscaling, and preprocessing strategies.
• Abstract（参考訳）: 海氷は、地球規模の気候システムと海洋活動において重要な役割を担い、タイムリーかつ正確な分類が不可欠である。 しかし、従来の手作業の手法は時間がかかり、コストがかかり、固有のバイアスがある。 海氷型分類の自動化は、より速く、より一貫性があり、スケーラブルな分析を可能にすることで、これらの課題に対処する。 従来型と深層学習の両方のアプローチが検討されてきたが、深層学習モデルは、海氷分類の効率性と一貫性を改善するための有望な方向を提供する。 しかし、標準化されたベンチマークと比較研究が欠如していることは、最高のパフォーマンスモデルに対する明確なコンセンサスを妨げている。 このギャップを埋めるために,海氷型分類のための総合的なベンチマークフレームワークである「textit{IceBench}」を紹介した。 まず,既存のAI4Arctic Sea Ice Challengeデータセットを標準化したデータセットとして活用し,総合的な評価指標を取り入れたIceBenchベンチマークフレームワークを構築した。 IceBenchはオープンソースであり、他の海氷型分類手法の便利な統合と評価を可能にし、新しい手法の比較評価を容易にし、現場での再現性を向上させる。 第二に、代表モデルに関する詳細な比較研究を行い、その強さと限界を評価し、実践者と研究者の両方に洞察を与えます。 第三に、IceBenchを利用して、季節(時間)と場所(空間)、データダウンスケーリング、前処理戦略におけるモデル転送可能性に関する重要な研究課題に対処する。

関連論文リスト

• Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
  知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。 まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。 カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
  論文  参考訳（メタデータ） (2024-10-18T03:31:00Z)
• SelEx: Self-Expertise in Fine-Grained Generalized Category Discovery [55.72840638180451]
  Generalized Category Discoveryは、新しいカテゴリーを同時に発見し、既知のカテゴリを正確に分類することを目的としている。 自己超越と対照的な学習に強く依存する伝統的な手法は、細かなカテゴリーを区別する場合にしばしば不足する。 モデルが微妙な違いを認識し、未知のカテゴリを明らかにする能力を高める。
  論文  参考訳（メタデータ） (2024-08-26T15:53:50Z)
• Partial Label Learning with Focal Loss for Sea Ice Classification Based on Ice Charts [2.0270474485799017]
  本稿では,海氷分類を学習するための新しいGeoAI手法を提案する。 我々は、ポリゴンレベルのラベルを候補部分ラベルとして扱い、対応する氷濃度を各ラベルの信頼性スコアとして割り当て、焦点損失と統合して畳み込みニューラルネットワーク(CNN)を訓練する。 提案手法により,Sentinel-1双偏極SAR画像の海氷分類性能が向上し,分類精度が87%から92%に向上し,F-1スコアが90%から93%に向上した。
  論文  参考訳（メタデータ） (2024-06-05T22:49:30Z)
• Region-level labels in ice charts can produce pixel-level segmentation for Sea Ice types [12.480532138980834]
  本報告では,海氷分類のための弱教師付き学習法について,専門家による注釈付き氷チャートから低解像度ラベルを用いた。 提案手法は,全教師付きU-Netベンチマークにおいて,マッピングの精度とクラスワイドの精度を両立させる。
  論文  参考訳（メタデータ） (2024-05-16T21:54:33Z)
• Unicorn: U-Net for Sea Ice Forecasting with Convolutional Neural Ordinary Differential Equations [6.4020980835163765]
  本稿では,毎週の海氷予測を目的とした,Unicornという新しい深層建築について紹介する。 本モデルでは,アーキテクチャ内に複数の時系列画像を統合することにより,予測性能を向上する。
  論文  参考訳（メタデータ） (2024-05-07T01:17:06Z)
• Learn to Categorize or Categorize to Learn? Self-Coding for Generalized Category Discovery [49.1865089933055]
  テスト時に未知のカテゴリを発見できる新しい,効率的かつ自己管理手法を提案する。 このアプローチの健全な特徴は、個々のデータインスタンスに最小長のカテゴリコードの割り当てである。 試行錯誤による評価は, 提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-10-30T17:45:32Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• Physics-Guided Generative Adversarial Networks for Sea Subsurface Temperature Prediction [24.55780949103687]
  海面下温度は気候変動の地球温暖化の影響を受けている。 既存の研究は一般に物理学に基づく数値モデルまたはデータに基づくモデルに基づいている。 本稿では,GAN(Generative Adversarial Network)と数値モデルを組み合わせた,海底温度の予測手法を提案する。
  論文  参考訳（メタデータ） (2021-11-04T23:46:51Z)

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。