論文の概要: Geographically-Weighted Weakly Supervised Bayesian High-Resolution Transformer for 200m Resolution Pan-Arctic Sea Ice Concentration Mapping and Uncertainty Estimation using Sentinel-1, RCM, and AMSR2 Data

• arxiv url: http://arxiv.org/abs/2603.03503v1
• Date: Tue, 03 Mar 2026 20:23:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.079527
• Title: Geographically-Weighted Weakly Supervised Bayesian High-Resolution Transformer for 200m Resolution 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200m分解能海洋氷濃度マッピングと不確実性推定のための地理的に重み付けされたベイズ高分解能変圧器
• Authors: Mabel Heffring, Lincoln Linlin Xu,
• Abstract要約: 本研究では,200m級高分解能SICマッピングのための新しい高分解能トランスフォーマ手法を提案する。 提案手法は2021年と2025年にパン・アルクティック最小限条件下で評価された。 その結果,Sentinel-1データを用いた0.70の総合的特徴検出精度が得られた。
• 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 key challenges, such as the subtle nature of ice signature features, inexact SIC labels, model uncertainty, and data heterogeneity. This study presents a novel Bayesian High-Resolution Transformer approach for 200 meter resolution 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 small and subtle sea ice feature (e.g., cracks/leads, ponds, and ice floes) 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 address low-resolution and inexact SIC labels, we design a geographically-weighted weakly supervised loss function to supervise the model at region level instead of pixel level, and to prioritize pure open water and ice pack signatures while mitigating the impact of ambiguity in the marginal ice zone (MIZ). Third, 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. Fourth, 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 evaluated under pan-Arctic minimum-extent conditions in 2021 and 2025. Results demonstrate that the proposed model achieves 0.70 overall feature detection accuracy using Sentinel-1 data, while also preserving pan-Arctic SIC patterns (Sentinel-1 R\textsuperscript{2} = 0.90 relative to the ARTIST Sea Ice product).
• 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は,操作氷濃度(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,不正確なSICラベル,モデルの不確実性,データ不均一性といった重要な課題のために難しい課題である。 本研究では,200mの高分解能SICマッピングと不確実性定量化を,Sentinel-1, RADARSAT Constellation Mission (RCM), Advanced Microwave Scanning Radiometer 2 (AMSR2)データを用いて提案する。 まず, 小型で微妙な海氷の特徴(例えば, ひび割れ, 池, 氷床など)を抽出するために, 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用いた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,低解像度で不正確なSICラベルに対処するため,地理的に重み付けされた弱教師付き損失関数を設計し,限界氷帯(MIZ)におけるあいまいさの影響を緩和しつつ,純開水と氷パックのシグネチャを優先する。 第三に、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4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年と2025年にパン・アルクティック最小限条件下で評価された。 その結果、提案モデルでは、Sentinel-1データを用いた全体的な特徴検出精度が0.70であり、また、Pan-Arctic SICパターン(ARTIST Sea Ice製品と比較してSentinel-1 R\textsuperscript{2} = 0.90)を保存できることが示されている。

関連論文リスト

• LiM-YOLO: Less is More with Pyramid Level Shift and Normalized Auxiliary Branch for Ship Detection in Optical Remote Sensing Imagery [3.2425852744760184]
  LiM-YOLOは、ドメイン固有の競合を解決するために設計された特殊な検出器である。 船舶の規模を統計的に分析し,検出ヘッドをP2-P4に緩和するピラミッドレベルシフト戦略を導入する。 LiM-YOLOは最先端モデルに比べて検出精度と効率が優れている。
  論文  参考訳（メタデータ） (2025-12-10T14:48:58Z)
• Bayesian Transformer for Pan-Arctic Sea Ice Concentration Mapping and Uncertainty Estimation using Sentinel-1, RCM, and AMSR2 Data [0.6138671548064355]
  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。
  論文  参考訳（メタデータ） (2025-09-29T19:42:15Z)
• UAV Individual Identification via Distilled RF Fingerprints-Based LLM in ISAC Networks [60.16924915676577]
  無人航空機(UAV)個人識別は、低高度統合センシング通信(ISAC)ネットワークにおける重要なセキュリティ監視戦略である。 UAVID識別のための新しい動的知識蒸留(KD)対応無線周波数指紋大言語モデル(RFF-LLM)を提案する。 実験結果から,提案フレームワークは,0.15万のパラメータと2.74ミリ秒の応答時間で,98.38%のID識別精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-08-18T03:14:44Z)
• Pix2Geomodel: A Next-Generation Reservoir Geomodeling with Property-to-Property Translation [2.004012818482403]
  本研究では、Pix2Pixをベースとした新しい条件付き生成対向ネットワーク(cGAN)フレームワークであるPix2Geomodelを紹介する。 グローニンゲンガス田のロトリーゲンド貯水池から貯水池特性(空洞、ポーシティ、透水性、飽和度)を予測するように設計されている。 その結果, 病状 (PA 0.88, FWIoU 0.85) と水飽和 (PA 0.96, FWIoU 0.95) の精度が高く, 気孔率 (PA 0.70, FWIoU 0.55) と透過性 (PA 0.74, FWIoU 0.60) が適度に向上し, 翻訳性能も良好であった。
  論文  参考訳（メタデータ） (2025-06-21T15:58:27Z)
• Towards Kriging-informed Conditional Diffusion for Regional Sea-Level Data Downscaling [3.8178633709015446]
  地球規模の気候モデルや衛星データから粗解射影を推定すると、下降問題は、より詳細な地域気候データを推定することを目的としている。 この問題は、気候変動による重大なリスクに対する効果的な適応、緩和、レジリエンスに社会的に不可欠である。 そこで本稿では, 空間的変動を抑えつつ, 微細な特徴を保ちながら, 空間的変動を捉えるためのKriging-informed Conditional Diffusion Probabilistic Model (Ki-CDPM)を提案する。
  論文  参考訳（メタデータ） (2024-10-21T04:24:10Z)
• 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)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• 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)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。