論文の概要: SCAWaveNet: A Spatial-Channel Attention-based Network for Global Significant Wave Height Retrieval
- arxiv url: http://arxiv.org/abs/2507.00701v1
- Date: Tue, 01 Jul 2025 12:01:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:22:59.621438
- Title: SCAWaveNet: A Spatial-Channel Attention-based Network for Global Significant Wave Height Retrieval
- Title（参考訳）: SCAWaveNet:大域的な波高検索のための空間チャネルアテンションベースのネットワーク
- Authors: Chong Zhang, Xichao Liu, Yibing Zhan, Dapeng Tao, Jun Ni,
- Abstract要約: 空間チャネルアテンションに基づく新しいネットワークであるSCAWaveNetが,波高検索のために提案されている。
4チャンネルCYGNSSデータを用いてモデル性能を評価する。
最先端のモデルと比較して、SCAWaveNetは平均RMSEをERA5データセットで3.52%、NDBCブイ観測で5.47%削減する。
- 参考スコア（独自算出の注目度）: 33.69166976999639
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in spaceborne GNSS missions have produced extensive global datasets, providing a robust basis for deep learning-based significant wave height (SWH) retrieval. While existing deep learning models predominantly utilize CYGNSS data with four-channel information, they often adopt single-channel inputs or simple channel concatenation without leveraging the benefits of cross-channel information interaction during training. To address this limitation, a novel spatial-channel attention-based network, namely SCAWaveNet, is proposed for SWH retrieval. Specifically, features from each channel of the DDMs are modeled as independent attention heads, enabling the fusion of spatial and channel-wise information. For auxiliary parameters, a lightweight attention mechanism is designed to assign weights along the spatial and channel dimensions. The final feature integrates both spatial and channel-level characteristics. Model performance is evaluated using four-channel CYGNSS data. When ERA5 is used as a reference, SCAWaveNet achieves an average RMSE of 0.438 m. When using buoy data from NDBC, the average RMSE reaches 0.432 m. Compared to state-of-the-art models, SCAWaveNet reduces the average RMSE by at least 3.52% on the ERA5 dataset and by 5.47% on the NDBC buoy observations. The code is available at https://github.com/Clifx9908/SCAWaveNet.
- Abstract（参考訳）: GNSSミッションの最近の進歩は、広範なグローバルデータセットを生み出し、深層学習に基づく重要な波高(SWH)検索の堅牢な基盤を提供する。
既存のディープラーニングモデルは、主に4チャンネル情報を持つCYGNSSデータを利用するが、訓練中にクロスチャネル情報インタラクションの利点を活用することなく、シングルチャネル入力や単純なチャネル結合を採用することが多い。
この制限に対処するために、SWH検索のために新しい空間チャネルアテンションベースネットワークであるSCAWaveNetを提案する。
具体的には、DDMの各チャンネルの特徴を独立したアテンションヘッドとしてモデル化し、空間情報とチャネル情報との融合を可能にする。
補助パラメータに対しては、空間次元とチャネル次元に沿って重みを割り当てる軽量アテンション機構が設計されている。
最後の機能は、空間的特徴とチャネルレベルの特性を統合している。
4チャンネルCYGNSSデータを用いてモデル性能を評価する。
ERA5 が参照として使用されるとき、SCAWaveNet は平均 RMSE が 0.438 m に達する。
NDBCからのブイデータを使用する場合、平均RMSEは0.432mに達する。
最先端のモデルと比較して、SCAWaveNetは平均RMSEをERA5データセットで3.52%、NDBCブイ観測で5.47%削減する。
コードはhttps://github.com/Clifx9908/SCAWaveNetで入手できる。
関連論文リスト
- SPIRONet: Spatial-Frequency Learning and Topological Channel Interaction Network for Vessel Segmentation [14.684277591969392]
上記の問題に対処するために,新しい空間周波数学習・トポロジカルチャネル相互作用ネットワーク(SPIRONet)を提案する。
デュアルエンコーダを用いて、局所的な空間的および大域的な周波数容器の特徴を包括的にキャプチャする。
空間的および周波数的特徴を効果的に融合するために、クロスアテンション融合モジュールが導入された。
トポロジカルチャネル相互作用モジュールは、グラフニューラルネットワークに基づいてタスク非関連応答をフィルタリングするように設計されている。
論文 参考訳（メタデータ） (2024-06-28T08:48:14Z) - CNN based Channel Estimation using NOMA for mmWave Massive MIMO System [0.0]
本稿では,ハイブリッドアーキテクチャ上に構築されたミリ波(mmWave)系のチャネルを推定するための畳み込みニューラルネットワーク手法を提案する。
まず、受信した信号からチャネルの粗い推定を行う。
数値図は,提案手法が最小二乗推定,最小平均二乗誤差(MMSE)推定を上回り,クラマー・ラオ境界(CRB)に近いことを示す。
論文 参考訳（メタデータ） (2021-08-01T05:33:55Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。
私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
論文 参考訳（メタデータ） (2021-01-19T03:08:03Z) - Channel Pruning Guided by Spatial and Channel Attention for DNNs in
Intelligent Edge Computing [15.248962858090431]
重要な課題は、どのチャネルを削除すべきかを判断し、モデルの精度が負の影響を受けないようにすることだ。
本稿では,空間的注意とチャネル的注意の両方を組み合わせた新しいアテンションモジュールを提案する。
SCAのガイダンスにより、CPSCAアプローチは、他の最先端のプルーニング手法よりも高い推論精度を実現する。
論文 参考訳（メタデータ） (2020-11-08T02:40:06Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z) - A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。
本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。
提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
論文 参考訳（メタデータ） (2020-02-28T05:56:14Z) - Centimeter-Level Indoor Localization using Channel State Information
with Recurrent Neural Networks [12.193558591962754]
本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。
チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。
また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
論文 参考訳（メタデータ） (2020-02-04T17:10:18Z)
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。