論文の概要: USF-Net: A Unified Spatiotemporal Fusion Network for Ground-Based Remote Sensing Cloud Image Sequence Extrapolation

• arxiv url: http://arxiv.org/abs/2511.09045v1
• Date: Thu, 13 Nov 2025 01:28:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.37705
• Title: USF-Net: A Unified Spatiotemporal Fusion Network for Ground-Based Remote Sensing Cloud Image Sequence Extrapolation
• Title（参考訳）: USF-Net: 地中リモートセンシングクラウド画像系列外挿のための統合時空間融合ネットワーク
• Authors: Penghui Niu, Taotao Cai, Jiashuai She, Yajuan Zhang, Junhua Gua, Ping Zhanga, Jungong Hane, Jianxin Li,
• Abstract要約: 地中リモートセンシングクラウド画像シーケンスの外挿は、太陽光発電システムの開発において重要な研究領域である。 我々は,適応型大カーネル畳み込みと低複雑さアテンション機構を統合した統一Stemporal FusionであるUSF-Netを提案する。 重要なコントリビューションとして、ASI-CISデータセットの導入とリリースも行います。
• 参考スコア（独自算出の注目度）: 7.868367798549883
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ground-based remote sensing cloud image sequence extrapolation is a key research area in the development of photovoltaic power systems. However, existing approaches exhibit several limitations:(1)they primarily rely on static kernels to augment feature information, lacking adaptive mechanisms to extract features at varying resolutions dynamically;(2)temporal guidance is insufficient, leading to suboptimal modeling of long-range spatiotemporal dependencies; and(3)the quadratic computational cost of attention mechanisms is often overlooked, limiting efficiency in practical deployment. To address these challenges, we propose USF-Net, a Unified Spatiotemporal Fusion Network that integrates adaptive large-kernel convolutions and a low-complexity attention mechanism, combining temporal flow information within an encoder-decoder framework. Specifically, the encoder employs three basic layers to extract features. Followed by the USTM, which comprises:(1)a SiB equipped with a SSM that dynamically captures multi-scale contextual information, and(2)a TiB featuring a TAM that effectively models long-range temporal dependencies while maintaining computational efficiency. In addition, a DSM with a TGM is introduced to enable unified modeling of temporally guided spatiotemporal dependencies. On the decoder side, a DUM is employed to address the common "ghosting effect." It utilizes the initial temporal state as an attention operator to preserve critical motion signatures. As a key contribution, we also introduce and release the ASI-CIS dataset. Extensive experiments on ASI-CIS demonstrate that USF-Net significantly outperforms state-of-the-art methods, establishing a superior balance between prediction accuracy and computational efficiency for ground-based cloud extrapolation. The dataset and source code will be available at https://github.com/she1110/ASI-CIS.
• Abstract（参考訳）: 地中リモートセンシングクラウド画像シーケンスの外挿は、太陽光発電システムの開発において重要な研究領域である。 しかし、既存のアプローチでは、(1)特徴情報の増大に静的カーネルを主に頼り、動的に解像度の異なる特徴を抽出する適応的なメカニズムが欠如している、(2)時間的ガイダンスが不十分で、長距離時空間依存性の最適部分モデリングに繋がる、(3)注意機構の二次計算コストが見過ごされ、実用的展開の効率が制限される、といった制限がある。 これらの課題に対処するために、適応型大カーネル畳み込みと低複雑さの注意機構を統合し、エンコーダ・デコーダ・フレームワーク内の時間フロー情報を組み合わせた統一時空間融合ネットワークUSF-Netを提案する。 具体的には、エンコーダは3つの基本レイヤを使って特徴を抽出する。 1)SiBは動的にマルチスケールのコンテキスト情報をキャプチャするSSMを備えており、(2)TiBは、計算効率を保ちながら、長期間の時間依存性を効果的にモデル化するTAMを備えている。 さらに、TGMを用いたDSMを導入し、時間的にガイドされた時空間依存の統一モデリングを可能にする。 デコーダ側では、一般的な"ghosting effect"に対応するためにDUMが使用される。 初期時間状態を注意演算子として利用し、重要な動作シグネチャを保存する。 重要なコントリビューションとして、ASI-CISデータセットの導入とリリースも行います。 ASI-CISに関する大規模な実験により、USF-Netは最先端の手法よりも優れており、地上のクラウド外挿における予測精度と計算効率のバランスが優れていることが示されている。 データセットとソースコードはhttps://github.com/she1110/ASI-CISで入手できる。

関連論文リスト

• Artificial Intelligence-Based Multiscale Temporal Modeling for Anomaly Detection in Cloud Services [10.421371572062595]
  本研究では,マルチスケール特徴認識を統合したTransformerアーキテクチャに基づく異常検出手法を提案する。 提案手法は,精度,リコール,AUC,F1スコアなどの主要な指標において,主流のベースラインモデルより優れている。
  論文  参考訳（メタデータ） (2025-08-20T07:52:36Z)
• Electromyography-Based Gesture Recognition: Hierarchical Feature Extraction for Enhanced Spatial-Temporal Dynamics [0.7083699704958353]
  本稿では, 時間的時間的特徴抽出手法として, 軽量な圧縮励起深層学習手法を提案する。 提案したモデルは、Ninapro DB2、DB4、DB5データセットでそれぞれ96.41%、92.40%、93.34%の精度でテストされた。
  論文  参考訳（メタデータ） (2025-04-04T07:11:12Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• TCJA-SNN: Temporal-Channel Joint Attention for Spiking Neural Networks [22.965024490694525]
  スパイキングニューラルネットワーク(SNN)は、生物学的妥当性、エネルギー効率、強力な時間情報表現能力によって、広く関心を集めている。 本稿では,TJA-SNNと呼ばれるSNNの時間・チャネル共同注意機構について述べる。 提案するTJA-SNNフレームワークは,空間次元と時間次元の両方からスパイクシーケンスの意義を効果的に評価することができる。
  論文  参考訳（メタデータ） (2022-06-21T08:16:08Z)

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。