論文の概要: From Swath to Full-Disc: Advancing Precipitation Retrieval with Multimodal Knowledge Expansion

• arxiv url: http://arxiv.org/abs/2506.07050v1
• Date: Sun, 08 Jun 2025 09:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.651402
• Title: From Swath to Full-Disc: Advancing Precipitation Retrieval with Multimodal Knowledge Expansion
• Title（参考訳）: スワートからフルディスク:マルチモーダル知識拡張による降水検索の促進
• Authors: Zheng Wang, Kai Ying, Bin Xu, Chunjiao Wang, Cong Bai,
• Abstract要約: Pre-Netは、正確な赤外線によるフルディスク降水検索を可能にすることを目的としている。 Pre-Netは、マルチモーダルデータ統合モデルからスキャニングスロー内の赤外線モデルに知識を転送する。 フルディスク適応の段階では、Self-MaskTuneはマルチモーダルとフルディスク赤外線知識のバランスをとることで、全ディスクにわたって予測を洗練する。
• 参考スコア（独自算出の注目度）: 11.443489040028645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate near-real-time precipitation retrieval has been enhanced by satellite-based technologies. However, infrared-based algorithms have low accuracy due to weak relations with surface precipitation, whereas passive microwave and radar-based methods are more accurate but limited in range. This challenge motivates the Precipitation Retrieval Expansion (PRE) task, which aims to enable accurate, infrared-based full-disc precipitation retrievals beyond the scanning swath. We introduce Multimodal Knowledge Expansion, a two-stage pipeline with the proposed PRE-Net model. In the Swath-Distilling stage, PRE-Net transfers knowledge from a multimodal data integration model to an infrared-based model within the scanning swath via Coordinated Masking and Wavelet Enhancement (CoMWE). In the Full-Disc Adaptation stage, Self-MaskTune refines predictions across the full disc by balancing multimodal and full-disc infrared knowledge. Experiments on the introduced PRE benchmark demonstrate that PRE-Net significantly advanced precipitation retrieval performance, outperforming leading products like PERSIANN-CCS, PDIR, and IMERG. The code will be available at https://github.com/Zjut-MultimediaPlus/PRE-Net.
• Abstract（参考訳）: 衛星ベースの技術により、正確な準リアルタイム降水回収が強化されている。 しかし、赤外線ベースのアルゴリズムは表面降水と弱い関係のため精度が低いが、受動マイクロ波法とレーダー法はより正確だが範囲は限られている。 この課題は、スキャニング誓いを超えた正確な赤外線による完全な降水検索を可能にすることを目的として、降水検索拡張(PRE)タスクを動機付けている。 提案するPre-Netモデルを用いた2段階パイプラインであるMultimodal Knowledge Expansionを導入する。 Swath-Distillingの段階では、Pre-Netは、CoMWE(Coordinated Masking and Wavelet Enhancement)を介して、マルチモーダルデータ統合モデルからスキャンスロー内の赤外線ベースモデルに知識を転送する。 フルディスク適応の段階では、Self-MaskTuneはマルチモーダルとフルディスク赤外線知識のバランスをとることで、全ディスクにわたって予測を洗練する。 導入したプレベンチマークの実験では、プレネットは降水回収性能が大幅に向上し、PERSIANN-CCS、PDIR、IMERGといった主要製品を上回ることが示されている。 コードはhttps://github.com/Zjut-MultimediaPlus/PRE-Netで入手できる。

関連論文リスト

• TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
  一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。 具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。 従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
  論文  参考訳（メタデータ） (2025-04-16T05:25:04Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• 10K is Enough: An Ultra-Lightweight Binarized Network for Infrared Small-Target Detection [48.074211420276605]
  バイナリ化されたニューラルネットワーク(BNN)は、モデル圧縮における例外的な効率によって区別される。 両立赤外小ターゲット検出ネットワーク(BiisNet)を提案する。 BiisNetは二項化畳み込みのコア操作を保存し、完全精度の機能をネットワークの情報フローに統合する。
  論文  参考訳（メタデータ） (2025-03-04T14:25:51Z)
• Towards Dense and Accurate Radar Perception Via Efficient Cross-Modal Diffusion Model [4.269423698485249]
  本稿では, クロスモーダル学習による高密度かつ高精度なミリ波レーダポイント雲構築手法を提案する。 具体的には, 2組の生レーダデータからLiDARのような点雲を予測するために, 生成モデルにおける最先端性能を有する拡散モデルを提案する。 提案手法をベンチマーク比較と実世界の実験により検証し,その優れた性能と一般化能力を実証した。
  論文  参考訳（メタデータ） (2024-03-13T12:20:20Z)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)
• 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)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Depth Completion via Inductive Fusion of Planar LIDAR and Monocular Camera [27.978780155504467]
  我々は、確率モデルにインスパイアされた異なるセンサのモーダル性をよりよく融合させるインダクティブ遅延融合ブロックを導入する。 このブロックは、疎深度特徴による実演に基づく深度予測を誘導するために、密集したコンテキスト特徴を使用する。 提案手法は,ベンチマークデータセットとシミュレーションデータセットの両方に対する従来のアプローチと比較して有望な結果を示す。
  論文  参考訳（メタデータ） (2020-09-03T18:39:57Z)

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。