論文の概要: Transparent Machine Learning: Training and Refining an Explainable Boosting Machine to Identify Overshooting Tops in Satellite Imagery
- arxiv url: http://arxiv.org/abs/2507.03183v1
- Date: Wed, 02 Jul 2025 16:34:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:34.611563
- Title: Transparent Machine Learning: Training and Refining an Explainable Boosting Machine to Identify Overshooting Tops in Satellite Imagery
- Title（参考訳）: 透明機械学習:衛星画像のオーバーシューティングトップを識別する説明可能なブースティングマシンの訓練と精製
- Authors: Nathan Mitchell, Lander Ver Hoef, Imme Ebert-Uphoff, Kristina Moen, Kyle Hilburn, Yoonjin Lee, Emily J. King,
- Abstract要約: 説明可能なブースティングマシン(EBM)は、高リスクアプリケーションにメリットがあるが、大気科学ではあまり使われていない解釈可能な機械学習(ML)アルゴリズムである。
本研究の全体的な目的は2つある:(1)特徴工学と組み合わせて、気象学応用のための解釈可能な物理ベースの機械学習アルゴリズムを得るためのESMの利用を探ること、(2)衛星衛星画像におけるオーバーシューティングトップ(OT)の検出方法について説明する。
- 参考スコア（独自算出の注目度）: 3.904762487379078
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: An Explainable Boosting Machine (EBM) is an interpretable machine learning (ML) algorithm that has benefits in high risk applications but has not yet found much use in atmospheric science. The overall goal of this work is twofold: (1) explore the use of EBMs, in combination with feature engineering, to obtain interpretable, physics-based machine learning algorithms for meteorological applications; (2) illustrate these methods for the detection of overshooting top (OTs) in satellite imagery. Specifically, we seek to simplify the process of OT detection by first using mathematical methods to extract key features, such as cloud texture using Gray-Level Co-occurrence Matrices, followed by applying an EBM. Our EBM focuses on the classification task of predicting OT regions, utilizing Channel 2 (visible imagery) and Channel 13 (infrared imagery) of the Advanced Baseline Imager sensor of the Geostationary Operational Environmental Satellite 16. Multi-Radar/Multi-Sensor system convection flags are used as labels to train the EBM model. Note, however, that detecting convection, while related, is different from detecting OTs. Once trained, the EBM was examined and minimally altered to more closely match strategies used by domain scientists to identify OTs. The result of our efforts is a fully interpretable ML algorithm that was developed in a human-machine collaboration. While the final model does not reach the accuracy of more complex approaches, it performs well and represents a significant step toward building fully interpretable ML algorithms for this and other meteorological applications.
- Abstract（参考訳）: 説明可能なブースティングマシン(EBM)は、高リスクアプリケーションにメリットがあるが、大気科学ではあまり使われていない解釈可能な機械学習(ML)アルゴリズムである。
本研究の全体的な目的は2つある:(1)特徴工学と組み合わせて、気象学応用のための解釈可能な物理ベースの機械学習アルゴリズムを得るためのESMの利用を探ること、(2)衛星衛星画像におけるオーバーシューティングトップ(OT)の検出方法について説明する。
具体的には,まず,Gray-Level Co-occurrence Matrices を用いてクラウドテクスチャなどの重要な特徴を抽出し,次に EBM を適用することにより,OT 検出のプロセスの簡略化を図る。
EBMは,静止環境衛星16の高度ベースラインイメージセンサのチャネル2(可視画像)とチャネル13(赤外線画像)を利用して,OT領域の予測を行う。
マルチレーダー/マルチセンサー・システム対流フラグは、EMMモデルを訓練するためのラベルとして使用される。
しかし、対流を検出することは関連するものの、OTを検出することと異なる点に注意が必要である。
訓練後、ESMは検査され、最小限に修正され、ドメイン科学者がOTを識別するために使用する戦略に適合する。
その結果、人間と機械の協調によって開発された完全に解釈可能なMLアルゴリズムが得られた。
最終モデルはより複雑なアプローチの精度には達しないが、うまく機能し、これや他の気象学的応用のために完全に解釈可能なMLアルゴリズムを構築するための重要なステップである。
関連論文リスト
- Highly Efficient and Unsupervised Framework for Moving Object Detection in Satellite Videos [0.2023650687546586]
本稿では,SVMODのための高度に効率的な非教師付きフレームワークを提案する。
提案手法は,1024倍画像上で秒間9フレームを処理できるだけでなく,フォアグラウンド・アート・パフォーマンスも実現可能であることを示す。
論文 参考訳（メタデータ） (2024-11-24T16:06:42Z) - Meent: Differentiable Electromagnetic Simulator for Machine Learning [0.6902278820907753]
電磁法(EM)シミュレーションは、サブ波長スケール構造を持つデバイスを解析・設計する上で重要な役割を担っている。
Meentは、厳密な結合波解析(RCWA)を利用するEMシミュレーションソフトウェアである。
1) ニューラル演算子のトレーニングのためのデータセット生成,2) ナノフォトニックデバイス最適化の強化学習環境として機能する,3) 勾配に基づく逆問題に対する解を提供する,の3つの応用を提案する。
論文 参考訳（メタデータ） (2024-06-11T10:00:06Z) - Terrain characterisation for online adaptability of automated sonar processing: Lessons learnt from operationally applying ATR to sidescan sonar in MCM applications [0.0]
本稿では,AUV(Autonomous Underwater Vehicles)ミッションにおける説明性向上のための2つのオンライン海底特性評価手法を提案する。
どちらの手法も、地形の複雑さに対する人間の理解に関連する地形の特徴を抽出するために、教師なしの機械学習アプローチに依存している。
最初の技術は、ATRアルゴリズムの性能に基づいて、定量的でアプリケーション駆動の地形特性指標を提供する。
第2の方法は,主題の専門知識を取り入れ,シナリオ依存型主観的地形特徴化を支援するための文脈化と説明可能性を実現する方法である。
論文 参考訳（メタデータ） (2024-04-29T12:48:42Z) - IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。
統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。
7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
論文 参考訳（メタデータ） (2023-01-31T01:24:45Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - Energy-Efficient and Federated Meta-Learning via Projected Stochastic
Gradient Ascent [79.58680275615752]
エネルギー効率のよいメタラーニングフレームワークを提案する。
各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
論文 参考訳（メタデータ） (2021-05-31T08:15:44Z) - MRDet: A Multi-Head Network for Accurate Oriented Object Detection in
Aerial Images [51.227489316673484]
水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。
正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。
各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
論文 参考訳（メタデータ） (2020-12-24T06:36:48Z) - Automatic Target Recognition (ATR) from SAR Imaginary by Using Machine
Learning Techniques [0.0]
合成開口レーダ(SAR)画像におけるターゲット自動認識(ATR)は、高レベルノイズを含むため、非常に難しい問題となる。
本研究では,SAR画像を用いた移動目標と静止目標を機械学習で検出する手法を提案する。
論文 参考訳（メタデータ） (2020-09-11T21:27:59Z) - DeepHAZMAT: Hazardous Materials Sign Detection and Segmentation with
Restricted Computational Resources [0.8701566919381223]
本稿では,Hazmatを4ステップで検出・セグメント化するためのCNNベースのパイプラインであるDeepHAZMATを提案する。
提案手法は,検出速度と検出精度の観点から,良好な性能を維持した。
論文 参考訳（メタデータ） (2020-07-13T14:15:37Z) - OpenStreetMap: Challenges and Opportunities in Machine Learning and
Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。
私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文 参考訳（メタデータ） (2020-07-13T09:58:14Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。