論文の概要: Cloud Optical Thickness Retrievals Using Angle Invariant Attention Based Deep Learning Models

• arxiv url: http://arxiv.org/abs/2505.24638v1
• Date: Fri, 30 May 2025 14:26:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.999608
• Title: Cloud Optical Thickness Retrievals Using Angle Invariant Attention Based Deep Learning Models
• Title（参考訳）: 角度不変アテンションに基づく深層学習モデルを用いた雲の光学的厚さ検索
• Authors: Zahid Hassan Tushar, Adeleke Ademakinwa, Jianwu Wang, Zhibo Zhang, Sanjay Purushotham,
• Abstract要約: クラウド・オプティカル・厚さ(COT)は、地球の気候、気象、放射線の予算に影響を及ぼす重要な雲の性質である。 我々は,角符号化を用いたクラウド・アテンション・ネット(CAAC)と呼ばれる,角度不変で注意に基づく新しい深層モデルを提案する。 CAACは、既存の最先端のディープラーニングモデルよりも大幅に優れており、クラウドプロパティの検索エラーを少なくとも9倍削減している。
• 参考スコア（独自算出の注目度）: 7.86932319873743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud Optical Thickness (COT) is a critical cloud property influencing Earth's climate, weather, and radiation budget. Satellite radiance measurements enable global COT retrieval, but challenges like 3D cloud effects, viewing angles, and atmospheric interference must be addressed to ensure accurate estimation. Traditionally, the Independent Pixel Approximation (IPA) method, which treats individual pixels independently, has been used for COT estimation. However, IPA introduces significant bias due to its simplified assumptions. Recently, deep learning-based models have shown improved performance over IPA but lack robustness, as they are sensitive to variations in radiance intensity, distortions, and cloud shadows. These models also introduce substantial errors in COT estimation under different solar and viewing zenith angles. To address these challenges, we propose a novel angle-invariant, attention-based deep model called Cloud-Attention-Net with Angle Coding (CAAC). Our model leverages attention mechanisms and angle embeddings to account for satellite viewing geometry and 3D radiative transfer effects, enabling more accurate retrieval of COT. Additionally, our multi-angle training strategy ensures angle invariance. Through comprehensive experiments, we demonstrate that CAAC significantly outperforms existing state-of-the-art deep learning models, reducing cloud property retrieval errors by at least a factor of nine.
• Abstract（参考訳）: クラウド・オプティカル・厚さ(COT)は、地球の気候、気象、放射線の予算に影響を及ぼす重要な雲の性質である。 衛星放射率の測定はCOTのグローバルな検索を可能にするが、3次元雲効果、視角、大気干渉といった課題に対処し、正確な推定を行う必要がある。 従来,個々の画素を個別に扱う独立画素近似(IPA)法がCOT推定に用いられてきた。 しかし、IPAはその単純化された仮定のために大きなバイアスをもたらす。 近年、深層学習モデルでは、放射強度、歪み、雲影の変動に敏感であるため、IPAよりも性能が向上するが、堅牢性が欠如している。 これらのモデルはまた、異なる太陽と視角の下でCOT推定にかなりの誤差をもたらす。 これらの課題に対処するため,我々はCloud-Attention-Net with Angle Coding (CAAC)と呼ばれる新しい角度不変の注意型深層モデルを提案する。 本モデルでは,衛星測位と3次元放射光伝達効果を考慮したアテンション機構とアングル埋め込みを活用し,COTのより正確な検索を可能にする。 さらに、我々の多角トレーニング戦略は、角度不変性を保証する。 総合的な実験により、CAACは既存の最先端ディープラーニングモデルよりも大幅に優れており、クラウド特性の検索誤差を少なくとも9倍に削減できることを示した。

関連論文リスト

• Joint Retrieval of Cloud properties using Attention-based Deep Learning Models [7.86932319873743]
  CloudUNet with Attention Module (CAM) は、太く重なり合うクラウド領域のエラーを減らすために注意機構を利用する、コンパクトなUNetベースのモデルである。 我々のCAMモデルは最先端のディープラーニング手法より優れており、COTでは平均絶対誤差(MAE)が34%、CERでは42%減少し、IPA法と比較してCOTおよびCER検索では76%、CERでは86%低下している。
  論文  参考訳（メタデータ） (2025-04-04T03:01:19Z)
• RSAR: Restricted State Angle Resolver and Rotated SAR Benchmark [61.987291551925516]
  単位円制限損失を組み込んで角度予測精度を向上させるユニットサイクルリゾルバを導入する。 提案手法は,既存の最先端教師あり手法の性能を効果的に向上させることができる。 UCRの助けを借りて、これまでで最大の多クラス回転SARオブジェクト検出データセットであるRSARをさらに注釈し、導入する。
  論文  参考訳（メタデータ） (2025-01-08T11:41:47Z)
• SphereDiffusion: Spherical Geometry-Aware Distortion Resilient Diffusion Model [63.685132323224124]
  制御可能な球状パノラマ画像生成は、様々な領域でかなりの応用可能性を持っている。 本稿では,これらの課題に対処するために,SphereDiffusionの新しいフレームワークを提案する。 Structured3Dデータセットの実験では、SphereDiffusionは制御可能な球面画像生成の品質を大幅に改善し、平均して約35%のFIDを相対的に削減している。
  論文  参考訳（メタデータ） (2024-03-15T06:26:46Z)
• Learned 3D volumetric recovery of clouds and its uncertainty for climate analysis [16.260663741590253]
  気候予測と雲物理学の不確かさは、浅い散在する雲に関連する観測上のギャップと結びついている。 我々は、ノイズの多い多視点空間画像に基づいて、このような雲のCTを実現するための学習ベースモデル(ProbCT)を設計する。 シミュレーションおよび実世界のデータに基づくアプローチを実証し, 降水および再生可能エネルギーに対する3次元回復と不確実性との関連性を示す。
  論文  参考訳（メタデータ） (2024-03-09T14:57:03Z)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• 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)
• Benchmarking of Deep Learning Irradiance Forecasting Models from Sky Images -- an in-depth Analysis [0.0]
  我々は4つのよく使われるディープラーニングアーキテクチャを訓練し、半球空画像のシーケンスから太陽の照度を予測する。 その結果、時間的側面の符号化は予測を大幅に改善し、10分予測スキルはテスト年度で20.4%に達した。 一般的なセットアップでは、ディープラーニングモデルは"非常にスマートな永続化モデル"のように振る舞う傾向があり、永続モデルと時間的に一致し、最もペナルティの高いエラーを軽減します。
  論文  参考訳（メタデータ） (2021-02-01T09:31:14Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。