論文の概要: Towards Reliable Sea Ice Drift Estimation in the Arctic Deep Learning Optical Flow on RADARSAT-2
- arxiv url: http://arxiv.org/abs/2510.26653v1
- Date: Thu, 30 Oct 2025 16:20:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-31 16:05:09.902336
- Title: Towards Reliable Sea Ice Drift Estimation in the Arctic Deep Learning Optical Flow on RADARSAT-2
- Title（参考訳）: RADARSAT上の北極深層学習光流における信頼性のある海氷ドリフト推定に向けて-2
- Authors: Daniela Martin, Joseph Gallego,
- Abstract要約: RADARSAT 2海氷画像上で,48個の深層学習光フローモデルの大規模ベンチマークを行った。
いくつかのモデル(EPE 6 から 8 ピクセル、300 から 400 m)は、海氷の動きの空間スケールと北極圏の典型的な航行要求に対する小さな誤差である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate estimation of sea ice drift is critical for Arctic navigation, climate research, and operational forecasting. While optical flow, a computer vision technique for estimating pixel wise motion between consecutive images, has advanced rapidly in computer vision, its applicability to geophysical problems and to satellite SAR imagery remains underexplored. Classical optical flow methods rely on mathematical models and strong assumptions about motion, which limit their accuracy in complex scenarios. Recent deep learning based approaches have substantially improved performance and are now the standard in computer vision, motivating their application to sea ice drift estimation. We present the first large scale benchmark of 48 deep learning optical flow models on RADARSAT 2 ScanSAR sea ice imagery, evaluated with endpoint error (EPE) and Fl all metrics against GNSS tracked buoys. Several models achieve sub kilometer accuracy (EPE 6 to 8 pixels, 300 to 400 m), a small error relative to the spatial scales of sea ice motion and typical navigation requirements in the Arctic. Our results demonstrate that the models are capable of capturing consistent regional drift patterns and that recent deep learning based optical flow methods, which have substantially improved motion estimation accuracy compared to classical methods, can be effectively transferred to polar remote sensing. Optical flow produces spatially continuous drift fields, providing motion estimates for every image pixel rather than at sparse buoy locations, offering new opportunities for navigation and climate modeling.
- Abstract（参考訳）: 海氷漂流の正確な推定は北極航法、気候調査、運用予測に重要である。
連続画像間の画素運動を推定するコンピュータビジョン技術である光フローは、コンピュータビジョンにおいて急速に進歩しているが、地球物理学的問題や衛星SAR画像への適用性はまだ未熟である。
古典的な光学フロー法は、複雑なシナリオでの精度を制限する運動に関する数学的モデルと強い仮定に依存している。
近年の深層学習に基づくアプローチは性能を大幅に改善し、現在ではコンピュータビジョンの標準となり、海氷ドリフト推定への応用を動機付けている。
RADARSAT 2 ScanSAR海氷画像上で,48個の深層学習光フローモデルの大規模ベンチマークを行った。
いくつかのモデル(EPE 6 から 8 ピクセル、300 から 400 m)は、海氷の動きの空間スケールと北極圏の典型的な航行要求に対する小さな誤差である。
この結果から,従来の手法に比べて動作推定精度が大幅に向上した近年の深層学習に基づく光フロー法を極リモートセンシングに効果的に導入できることが示唆された。
光の流れは空間的に連続したドリフト場を発生させ、希薄なブイの場所ではなく、すべての画像ピクセルの運動推定を提供し、ナビゲーションと気候モデリングの新しい機会を提供する。
関連論文リスト
- Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。
このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。
このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
論文 参考訳（メタデータ） (2025-10-29T14:30:12Z) - Real-Time Multi-Scene Visibility Enhancement for Promoting Navigational Safety of Vessels Under Complex Weather Conditions [48.529493393948435]
この可視光カメラは、インテリジェントな水上輸送システムにおいて、海洋表面の容器に不可欠なイメージングセンサーとして登場した。
視覚画像の画質は、複雑な気象条件下での様々な劣化に必然的に悩まされる。
本研究では,異なる気象条件下で撮影された劣化画像を復元する汎用多場面可視性向上手法を開発した。
論文 参考訳（メタデータ） (2024-09-02T23:46:27Z) - Attenuation-Aware Weighted Optical Flow with Medium Transmission Map for Learning-based Visual Odometry in Underwater terrain [0.03749861135832072]
本稿では,水中環境における学習型単眼視計測(VO)の課題に対処する。
自律型水中車両(AUV)におけるVOシステムの精度を高める新しいwflow-TartanVOの導入
実世界の異なる水中データセットの評価は,ベースラインVO法におけるwflow-TartanVOの有効性を示す。
論文 参考訳（メタデータ） (2024-07-18T05:00:15Z) - Enhancing Ship Classification in Optical Satellite Imagery: Integrating Convolutional Block Attention Module with ResNet for Improved Performance [1.4659076103416173]
光衛星画像に基づく船舶分類のための高度な畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
最初に標準CBAMを導入し、より情報的な特徴に焦点を向け、87%の精度でモデルに焦点をあてた。
このモデルでは95%の精度を示し、精度、リコール、F1は様々な船級で大幅な改善が見られた。
論文 参考訳（メタデータ） (2024-04-02T17:48:46Z) - Surrogate Modelling for Sea Ice Concentration using Lightweight Neural
Ensemble [0.3626013617212667]
本稿ではLANE-SIという適応的な代理モデル手法を提案する。
異なる損失関数を持つ比較的単純な深層学習モデルのアンサンブルを用いて、特定水域における海氷濃度の予測を行う。
我々は,カラ海における最先端物理ベースの予測システムSEAS5に対して,20%の改善を実現している。
論文 参考訳（メタデータ） (2023-12-07T14:48:30Z) - 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) - Optical Flow for Autonomous Driving: Applications, Challenges and
Improvements [0.9023847175654602]
学習に基づく光フローアルゴリズムを改善するためのトレーニング戦略を提案し,評価する。
合成データを訓練しながら、このモデルは現実世界の魚眼データに一般化する強力な能力を示す。
低光域における既存手法の性能を大幅に向上させる,新しい汎用的な半教師付きフレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-11T12:01:42Z) - DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。
アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。
DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-05-28T16:18:08Z) - Sensor-Guided Optical Flow [53.295332513139925]
本稿では、未知の領域や未知の領域において、より優れた精度を実現するために、外部キューを用いた光フローネットワークを誘導するフレームワークを提案する。
能動センサからの深度測定と幾何および手作り光学フローアルゴリズムを組み合わせることで,これらがどのように得られるかを示す。
論文 参考訳（メタデータ） (2021-09-30T17:59:57Z) - End-to-end Learning for Inter-Vehicle Distance and Relative Velocity
Estimation in ADAS with a Monocular Camera [81.66569124029313]
本稿では,ディープニューラルネットワークのエンドツーエンドトレーニングに基づくカメラによる車間距離と相対速度推定手法を提案する。
提案手法の重要な特徴は,2つの時間的単眼フレームによって提供される複数の視覚的手がかりの統合である。
また,移動場における視線歪みの影響を緩和する車両中心サンプリング機構を提案する。
論文 参考訳（メタデータ） (2020-06-07T08:18:31Z) - Joint Unsupervised Learning of Optical Flow and Egomotion with Bi-Level
Optimization [59.9673626329892]
エピポーラ幾何を用いた光学フローとカメラモーションのグローバルな関係を利用する。
我々は暗黙の微分を用いて、その実装とは無関係に低レベルの幾何最適化層を通してバックプロパゲーションを可能にする。
論文 参考訳（メタデータ） (2020-02-26T22:28:00Z)
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。