論文の概要: AI-ready Snow Radar Echogram Dataset (SRED) for climate change monitoring

• arxiv url: http://arxiv.org/abs/2505.00786v1
• Date: Thu, 01 May 2025 18:29:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.792496
• Title: AI-ready Snow Radar Echogram Dataset (SRED) for climate change monitoring
• Title（参考訳）: AI対応のSnow Radar Echogram Dataset(SRED)による気候変動モニタリング
• Authors: Oluwanisola Ibikunle, Hara Talasila, Debvrat Varshney, Jilu Li, John Paden, Maryam Rahnemoonfar,
• Abstract要約: 本研究は2012年に収集されたSnow Radar Airborne Dataから得られた最初の包括的レーダエコーグラムデータセットを紹介する。 その有用性を示すために,データセット上での5つのディープラーニングモデルの性能を評価した。
• 参考スコア（独自算出の注目度）: 0.32985979395737786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tracking internal layers in radar echograms with high accuracy is essential for understanding ice sheet dynamics and quantifying the impact of accelerated ice discharge in Greenland and other polar regions due to contemporary global climate warming. Deep learning algorithms have become the leading approach for automating this task, but the absence of a standardized and well-annotated echogram dataset has hindered the ability to test and compare algorithms reliably, limiting the advancement of state-of-the-art methods for the radar echogram layer tracking problem. This study introduces the first comprehensive ``deep learning ready'' radar echogram dataset derived from Snow Radar airborne data collected during the National Aeronautics and Space Administration Operation Ice Bridge (OIB) mission in 2012. The dataset contains 13,717 labeled and 57,815 weakly-labeled echograms covering diverse snow zones (dry, ablation, wet) with varying along-track resolutions. To demonstrate its utility, we evaluated the performance of five deep learning models on the dataset. Our results show that while current computer vision segmentation algorithms can identify and track snow layer pixels in echogram images, advanced end-to-end models are needed to directly extract snow depth and annual accumulation from echograms, reducing or eliminating post-processing. The dataset and accompanying benchmarking framework provide a valuable resource for advancing radar echogram layer tracking and snow accumulation estimation, advancing our understanding of polar ice sheets response to climate warming.
• Abstract（参考訳）: レーダエコーグラムの内部層を高精度に追跡することは、グリーンランドや他の極地地域での氷床のダイナミックスを理解し、加速した氷の放出の影響を定量化するために不可欠である。 ディープラーニングアルゴリズムは、このタスクを自動化するための主要なアプローチとなっているが、標準化された、十分に注釈付けされたエコーグラムデータセットが存在しないため、アルゴリズムを確実にテストおよび比較することができなくなり、レーダエコーグラム層追跡問題に対する最先端手法の進歩が制限された。 この研究は、2012年にアメリカ航空宇宙局(NASA)の氷橋(OIB)ミッションで収集されたSnow Radar Airborne Dataから得られた「深層学習準備」レーダーエコーグラムデータセットを初めて紹介した。 このデータセットには13,717個のラベル付きエコーグラムと57,815個の弱いラベル付きエコーグラムが含まれており、様々な雪の帯(乾燥、アブレーション、湿気)をコースの解像度でカバーしている。 その有用性を示すために,データセット上での5つのディープラーニングモデルの性能を評価した。 その結果,現在のコンピュータビジョンセグメンテーションアルゴリズムでは,エコー画像中の積雪層画素を識別・追跡できるが,エコー画像から積雪深度と年次蓄積を直接抽出し,後処理の削減・除去するためには,高度なエンド・ツー・エンド・モデルが必要であることがわかった。 このデータセットとそれに伴うベンチマークフレームワークは、レーダーエコーグラム層追跡と積雪量の推定を推し進め、温暖化に伴う極氷床の理解を深めるための貴重な資源を提供する。

関連論文リスト

• SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal [57.52777076116241]
  逆天候除去は、悪天候下で透明な視界を回復することを目的としている。 本稿では教師ネットワーク上に構築された半教師付きオールインワン悪天候除去フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T12:12:22Z)
• Skip-WaveNet: A Wavelet based Multi-scale Architecture to Trace Snow Layers in Radar Echograms [0.5235143203977018]
  我々は,レーダエコーグラムのためのウェーブレットに基づくマルチスケールディープラーニングアーキテクチャを開発し,積雪層の検出を改善する。 これらのアーキテクチャは、平均絶対誤差3.31ピクセルと94.3%の平均精度で層深さを推定し、最先端の雪層検出ネットワークと比較して高い一般化性を達成する。 このような堅牢なアーキテクチャは、将来のミッションからのエコーグラムで雪の層を効率的に追跡し、個々の厚さを見積もり、海面上昇予測モデルをサポートすることができる。
  論文  参考訳（メタデータ） (2023-10-30T14:30:27Z)
• Prediction of Annual Snow Accumulation Using a Recurrent Graph Convolutional Approach [0.38073142980732994]
  近年、スノーレーダーのような空中レーダーセンサーは、垂直解像度の細かい大きな領域で内部の氷層を計測できることが示されている。 本研究では,グラフアテンションネットワークに基づくモデルを用いて,より大規模なデータセット上での入力データポイントの少ない年次積雪データポイントの予測を行った。
  論文  参考訳（メタデータ） (2023-06-22T19:48:34Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Recurrent Graph Convolutional Networks for Spatiotemporal Prediction of Snow Accumulation Using Airborne Radar [0.38073142980732994]
  本研究では,近年の積雪量予測のために,連続的なグラフ畳み込みネットワークに基づく機械学習モデルを提案する。 その結果、同値な非幾何学的モデルや非時間的モデルよりも、モデルの性能が良く、一貫性も高いことが判明した。
  論文  参考訳（メタデータ） (2023-02-02T01:40:48Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
  氷河マッピングは、hkh領域における生態モニタリングの鍵となる。 気候変動は、氷河生態系の健康に依存している個人にリスクを与える。 本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-09T12:48:06Z)
• Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
  本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。 レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。 実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
  論文  参考訳（メタデータ） (2020-09-30T19:01:33Z)

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。