論文の概要: Probabilistic Emissivity Retrieval from Hyperspectral Data via Physics-Guided Variational Inference
- arxiv url: http://arxiv.org/abs/2508.08291v1
- Date: Tue, 05 Aug 2025 16:39:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.143075
- Title: Probabilistic Emissivity Retrieval from Hyperspectral Data via Physics-Guided Variational Inference
- Title（参考訳）: 物理誘導変分推論によるハイパースペクトルデータからの確率的放射率検索
- Authors: Joshua R. Tempelman, Kevin Mitchell, Adam J. Wachtor, Eric B. Flynn,
- Abstract要約: 本稿では,物理条件付き生成モデルの形での逆モデリング手法を提案する。
HSIシーンの雰囲気と背景の見積もりは、物理的に関連する条件付けメカニズムとして使用される。
モデルの条件付き後部のモンテカルロサンプリングは、要求される放射率分布を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent research has proven neural networks to be a powerful tool for performing hyperspectral imaging (HSI) target identification. However, many deep learning frameworks deliver a single material class prediction and operate on a per-pixel basis; such approaches are limited in their interpretability and restricted to predicting materials that are accessible in available training libraries. In this work, we present an inverse modeling approach in the form of a physics-conditioned generative model.A probabilistic latent-variable model learns the underlying distribution of HSI radiance measurements and produces the conditional distribution of the emissivity spectrum. Moreover, estimates of the HSI scene's atmosphere and background are used as a physically relevant conditioning mechanism to contextualize a given radiance measurement during the encoding and decoding processes. Furthermore, we employ an in-the-loop augmentation scheme and physics-based loss criteria to avoid bias towards a predefined training material set and to encourage the model to learn physically consistent inverse mappings. Monte-Carlo sampling of the model's conditioned posterior delivers a sought emissivity distribution and allows for interpretable uncertainty quantification. Moreover, a distribution-based material matching scheme is presented to return a set of likely material matches for an inferred emissivity distribution. Hence, we present a strategy to incorporate contextual information about a given HSI scene, capture the possible variation of underlying material spectra, and provide interpretable probability measures of a candidate material accounting for given remotely-sensed radiance measurement.
- Abstract（参考訳）: 近年の研究では、ニューラルネットワークがハイパースペクトルイメージング(HSI)ターゲット識別を行う強力なツールであることが証明されている。
しかし、多くのディープラーニングフレームワークは、単一のマテリアルクラス予測を提供し、ピクセル単位で運用する。
本研究では,物理条件付き生成モデルという形で逆モデリング手法を提案する。確率的潜在変数モデルは,HSI放射率測定の基盤となる分布を学習し,放射スペクトルの条件分布を生成する。
さらに、HSIシーンの雰囲気と背景の見積は、符号化および復号過程における所定の放射率測定を文脈化するための物理的に関連する条件付け機構として使用される。
さらに,事前定義されたトレーニング資料に対するバイアスを回避し,物理的に一貫した逆写像の学習を促すために,ループ内拡張方式と物理に基づく損失基準を用いる。
モデルの条件付き後部のモンテカルロサンプリングは、要求される放射率分布を提供し、解釈可能な不確実性定量化を可能にする。
さらに、分布に基づく物質マッチングスキームを提示し、推定放射率分布に対する候補物質マッチングのセットを返却する。
そこで,本稿では,所定のHSIシーンのコンテキスト情報を取り込み,基礎となる物質スペクトルの変動を捉えるとともに,リモートセンシングによる放射率測定を考慮に入れた候補物質の予測的確率測定を行う。
関連論文リスト
- Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys [9.066691897904875]
機械学習は構造材料の理解と応用を著しく進歩させてきた。
本研究では,混合密度ネットワーク(MDN)モデルを用いた包括的手法を提案する。
これらの予測分布の統計パラメータを転位媒介の塑性モデルに組み込むことで、正確な応力-ひずみ予測が可能になる。
論文 参考訳（メタデータ） (2025-06-25T21:18:14Z) - A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。
その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文 参考訳（メタデータ） (2024-10-02T20:46:21Z) - Probability Distribution Learning and Its Application in Deep Learning [0.0]
本稿では,確率分布学習(PD Learning)と呼ばれる理論学習フレームワークを紹介する。
PD学習は確率分布の学習に重点を置いており、確率の単純さの中で確率変数としてモデル化される。
論文 参考訳（メタデータ） (2024-06-09T06:49:22Z) - Uncertainty quantification and out-of-distribution detection using
surjective normalizing flows [46.51077762143714]
本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。
本手法は, 流通外データと流通内データとを確実に識別できることを示す。
論文 参考訳（メタデータ） (2023-11-01T09:08:35Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳（メタデータ） (2023-06-13T03:42:03Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks:
Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。
容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。
モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文 参考訳（メタデータ） (2021-03-18T11:34:08Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z)
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。