論文の概要: Bayesian Transformer for Pan-Arctic Sea Ice Concentration Mapping and Uncertainty Estimation using Sentinel-1, RCM, and AMSR2 Data

• arxiv url: http://arxiv.org/abs/2509.25437v1
• Date: Mon, 29 Sep 2025 19:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.294437
• Title: Bayesian Transformer for Pan-Arctic Sea Ice Concentration Mapping and Uncertainty Estimation using Sentinel-1, RCM, and AMSR2 Data
• Title（参考訳）: センチネル-1, RCM, AMSR2データを用いたパン・アルクティック海氷濃度マッピングと不確かさ推定のためのベイズ変圧器
• Authors: Mabel Heffring, Lincoln Linlin Xu,
• Abstract要約: パン・アルキティック海氷の高分解能マッピングは, 海氷濃度チャートの作成に不可欠である。 パン・アルキティックSICマッピングと不確実性定量化のための新しいベイズ変圧器手法を提案する。 提案手法は2021年9月にPan-Arcticデータセットを用いて検証され,提案モデルが高分解能SICマップと頑健な不確実性マップの両方を達成可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.6138671548064355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although high-resolution mapping of Pan-Arctic sea ice with reliable corresponding uncertainty is essential for operational sea ice concentration (SIC) charting, it is a difficult task due to some key challenges, e.g., the subtle nature of ice signature features, model uncertainty, and data heterogeneity. This letter presents a novel Bayesian Transformer approach for Pan-Arctic SIC mapping and uncertainty quantification using Sentinel-1, RADARSAT Constellation Mission (RCM), and Advanced Microwave Scanning Radiometer 2 (AMSR2) data. First, to improve feature extraction, we design a novel high-resolution Transformer model with both global and local modules that can better discern the subtle differences in sea ice patterns. Second, to improve uncertainty quantification, we design a Bayesian extension of the proposed Transformer model, treating its parameters as random variables to more effectively capture uncertainties. Third, to address data heterogeneity, we fuse three different data types (Sentinel-1, RCM, and AMSR2) at decision-level to improve both SIC mapping and uncertainty quantification. The proposed approach is tested on Pan-Arctic datasets from September 2021, and the results demonstrate that the proposed model can achieve both high-resolution SIC maps and robust uncertainty maps compared to other uncertainty quantification approaches.
• Abstract（参考訳）: パン・アルキティック海氷の高分解能マッピングと信頼性の高い不確実性は, 運用氷濃度(SIC)チャートの作成には不可欠であるが, 氷の署名特性の微妙な性質, モデルの不確実性, データの不均一性など, いくつかの重要な課題があるため, 難しい課題である。 このレターでは、Sentinel-1、RADARSAT Constellation Mission(RCM)、Advanced Microwave Scanning Radiometer 2(AMSR2)データを用いて、パン・アルキティックSICマッピングと不確実性定量化のための新しいベイズ変換手法を提案する。 まず、特徴抽出を改善するために、海氷パターンの微妙な違いをよりよく識別できる、グローバルモジュールとローカルモジュールの両方を持つ新しい高分解能トランスフォーマーモデルを設計する。 第二に、不確実性定量化を改善するため、提案したTransformerモデルのベイズ拡張を設計し、そのパラメータを確率変数として扱い、不確実性をより効果的に捉える。 第3に、データの不均一性に対処するために、SICマッピングと不確実性定量化の両方を改善するために、3つの異なるデータタイプ(Sentinel-1, RCM, AMSR2)を決定レベルで融合する。 提案手法は2021年9月にPan-Arcticデータセットを用いて検証され,提案モデルが他の不確実性定量化手法と比較して高分解能SICマップとロバスト不確実性マップの両方を実現できることを示した。

関連論文リスト

• UDHF2-Net: Uncertainty-diffusion-model-based High-Frequency TransFormer Network for Remotely Sensed Imagery Interpretation [17.289252835606533]
  不確実拡散モデルに基づく高周波トランスフォーマーネットワーク(UDHF2-Net)が最初に提案される。 UDHF2-Netは空間定常非定常高周波接続パラダイム(SHCP)である Mask-and-geo-knowledge-based uncertainty diffusion module (MUDM) は自己指導型学習戦略である。 周波数ワイド半擬似半擬似UDHF2-Netは、変更検出の精度と複雑さのバランスをとるために提案された最初のものである。
  論文  参考訳（メタデータ） (2024-06-23T15:03:35Z)
• 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)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Mixed Precision Quantization to Tackle Gradient Leakage Attacks in Federated Learning [1.7205106391379026]
  フェデレートラーニング(FL)は、明示的なデータ共有を必要とせずに、多数の参加者の間で協調的なモデル構築を可能にする。 このアプローチは、プライバシ推論攻撃を適用した際の脆弱性を示す。 特に、モデル勾配からセンシティブなデータを取得する上で高い成功率を持つ勾配リーク攻撃の場合、FLモデルは、その固有のアーキテクチャにおける通信の存在により、高いリスクを負う。
  論文  参考訳（メタデータ） (2022-10-22T04:24:32Z)
• Cyber-resilience for marine navigation by information fusion and change detection [1.7205106391379026]
  サイバーレジリエンスは、海洋船の自律航法ソリューションの開発において、ますます関心が高まりつつある。 本稿では,3つのエッジを持つプリズムを通した海洋航法におけるサイバーレジリエンス特性について検討する。 沿岸航法に用いるセンサ信号の診断と緩和のための2段階推定器を提案する。
  論文  参考訳（メタデータ） (2022-02-01T12:56:02Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。