論文の概要: Deep learning-based identification of precipitation clouds from all-sky camera data for observatory safety
- arxiv url: http://arxiv.org/abs/2503.18670v1
- Date: Mon, 24 Mar 2025 13:40:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:34:36.344761
- Title: Deep learning-based identification of precipitation clouds from all-sky camera data for observatory safety
- Title（参考訳）: 深層学習に基づく観測安全のためのオールスキーカメラデータからの降雨雲の同定
- Authors: Mohammad H. Zhoolideh Haghighi, Alireza Ghasrimanesh, Habib Khosroshahi,
- Abstract要約: 我々は,全天球カメラデータにおける降雨雲の識別をクラウド警告システムとして自動化するために,ディープラーニングアプローチを適用した。
我々はイラン国立天文台のオールスキーカメラ画像アーカイブを用いて、最初のトレーニングとテストセットを構築した。
トレーニングされたモデルはリアルタイム分析のためにデプロイすることができ、潜在的な脅威を迅速に識別することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: For monitoring the night sky conditions, wide-angle all-sky cameras are used in most astronomical observatories to monitor the sky cloudiness. In this manuscript, we apply a deep-learning approach for automating the identification of precipitation clouds in all-sky camera data as a cloud warning system. We construct our original training and test sets using the all-sky camera image archive of the Iranian National Observatory (INO). The training and test set images are labeled manually based on their potential rainfall and their distribution in the sky. We train our model on a set of roughly 2445 images taken by the INO all-sky camera through the deep learning method based on the EfficientNet network. Our model reaches an average accuracy of 99\% in determining the cloud rainfall's potential and an accuracy of 96\% for cloud coverage. To enable a comprehensive comparison and evaluate the performance of alternative architectures for the task, we additionally trained three models LeNet, DeiT, and AlexNet. This approach can be used for early warning of incoming dangerous clouds toward telescopes and harnesses the power of deep learning to automatically analyze vast amounts of all-sky camera data and accurately identify precipitation clouds formations. Our trained model can be deployed for real-time analysis, enabling the rapid identification of potential threats, and offering a scaleable solution that can improve our ability to safeguard telescopes and instruments in observatories. This is important now that numerous small and medium-sized telescopes are increasingly integrated with smart control systems to reduce manual operation.
- Abstract（参考訳）: 夜空の状況を監視するため、ほとんどの天文学観測所で広角オールスキーカメラが空の曇りを監視するために使われている。
本論文では,全天球カメラデータ中の降雨雲をクラウド警告システムとして識別する深層学習手法を適用した。
我々はイラン国立天文台(INO)のオールスキーカメラ画像アーカイブを用いて、最初のトレーニングとテストセットを構築した。
トレーニングとテストセットの画像は、潜在的な降雨量と空の分布に基づいて手動でラベル付けされる。
EfficientNetネットワークをベースとしたディープラーニング手法を用いて, INOオールスキーカメラで撮影した約2445枚の画像に基づいて, モデルをトレーニングする。
我々のモデルは、雲の降雨ポテンシャルを決定する平均精度99\%に達し、雲のカバレッジには96\%の精度が与えられる。
タスク代替アーキテクチャの性能を総合的に比較し,評価するために,LeNet,DeiT,AlexNetの3つのモデルをトレーニングした。
このアプローチは、望遠鏡に対して危険な雲がやってくることを早期に警告するために使用することができ、ディープラーニングのパワーを活用して、大量の全天球カメラデータを自動的に分析し、降水雲を正確に識別する。
トレーニングされたモデルは、リアルタイム分析のためにデプロイでき、潜在的な脅威を迅速に識別でき、望遠鏡や観測機器の安全を向上できるスケール可能なソリューションを提供できます。
これは、手動操作を減らすために、多くの小型・中規模の望遠鏡がスマートコントロールシステムとますます統合されていることが重要である。
関連論文リスト
- UCloudNet: A Residual U-Net with Deep Supervision for Cloud Image Segmentation [10.797462947568954]
クラウドセグメンテーションの深い監督を伴う残留U-Netを導入する。
従来のアプローチよりも精度が良く、トレーニングの消費も少ない。
論文 参考訳（メタデータ） (2025-01-11T05:15:24Z) - 3D Cloud reconstruction through geospatially-aware Masked Autoencoders [1.4124182346539256]
本研究では,MSG/SEVIRIの静止画像とCloudSat/CPRの雲面のレーダ反射率測定を利用して3次元雲構造を再構成する。
まず、自己教師あり学習法(SSL)の手法をMAE(Masked Autoencoders)とSatMAE(SatMAE)に応用し、マッチングした画像のペアにモデルを微調整する。
論文 参考訳（メタデータ） (2025-01-03T12:26:04Z) - DNN-based 3D Cloud Retrieval for Variable Solar Illumination and Multiview Spaceborne Imaging [2.6968321526169508]
我々は3Dクラウド検索のための最初のスケーラブルなディープニューラルネットワークシステムを紹介した。
マルチビュー・クラウド・インテンシティ・イメージとカメラ・ポーズと太陽方向データを統合することで、回復の柔軟性を高めることができる。
論文 参考訳（メタデータ） (2024-11-07T13:13:23Z) - Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。
制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。
これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
論文 参考訳（メタデータ） (2024-04-01T13:38:16Z) - HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。
提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
論文 参考訳（メタデータ） (2024-03-18T14:18:08Z) - Masked Spatio-Temporal Structure Prediction for Self-supervised Learning
on Point Cloud Videos [75.9251839023226]
人間のアノテーションを使わずにポイントクラウドビデオの構造をキャプチャするMasked-temporal Structure Prediction (MaST-Pre)法を提案する。
MaST-Preは,2つの自己指導型学習タスクから構成される。まず,マスク付きポイントチューブを再構築することにより,ポイントクラウドビデオの出現情報を捉えることができる。
第2に、動作を学習するために、点管内の点数の変化を推定する時間的濃度差予測タスクを提案する。
論文 参考訳（メタデータ） (2023-08-18T02:12:54Z) - UnCRtainTS: Uncertainty Quantification for Cloud Removal in Optical
Satellite Time Series [19.32220113046804]
本稿では,新しいアテンションベースアーキテクチャを組み合わせたマルチテンポラルクラウド除去手法UnCRtainTSを紹介する。
予測された不確かさがいかにして再現品質を正確に制御できるかを示す。
論文 参考訳（メタデータ） (2023-04-11T19:27:18Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳（メタデータ） (2022-02-28T07:46:05Z) - Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。
ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。
我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
論文 参考訳（メタデータ） (2021-04-09T02:58:59Z) - Cloud detection machine learning algorithms for PROBA-V [6.950862982117125]
本論文で提示されるアルゴリズムの目的は,ピクセル当たりのクラウドフラグを正確に提示するクラウドを検出することである。
提案手法の有効性を,多数の実proba-v画像を用いて検証した。
論文 参考訳（メタデータ） (2020-12-09T18:23:59Z) - Neural Ray Surfaces for Self-Supervised Learning of Depth and Ego-motion [51.19260542887099]
カメラモデルの事前知識を必要とせずに、自己超越を用いて正確な深度とエゴモーション推定を学習できることが示される。
Grossberg と Nayar の幾何学モデルにインスパイアされた我々は、ピクセルワイド射影線を表す畳み込みネットワークである Neural Ray Surfaces (NRS) を導入する。
本研究では,多種多様なカメラシステムを用いて得られた生ビデオから,視覚計測の自己教師付き学習と深度推定にNRSを用いることを実証する。
論文 参考訳（メタデータ） (2020-08-15T02:29:13Z)
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。