論文の概要: Unpaired Cross-Domain Calibration of DMSP to VIIRS Nighttime Light Data Based on CUT Network

• arxiv url: http://arxiv.org/abs/2603.16385v1
• Date: Tue, 17 Mar 2026 11:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.239777
• Title: Unpaired Cross-Domain Calibration of DMSP to VIIRS Nighttime Light Data Based on CUT Network
• Title（参考訳）: CUTネットワークに基づくDMSPからVIIRS夜間光データへの未ペア領域校正
• Authors: Zhan Tong, ChenXu Zhou, Fei Tang, Yiming Tu, Tianyu Qin, Kaihao Fang,
• Abstract要約: 本研究では,コントラスト・アンペアド・トランスフォーメーション(CUT)ネットワークを用いたクロスセンサ・キャリブレーション手法を提案し,DMSPデータをVIIRSライクなフォーマットに変換する。 結果: VIIRS のようなデータは、実際の VIIRS 観測(R-squared が 0.87 以上)や社会経済指標と高い整合性を示す。
• 参考スコア（独自算出の注目度）: 8.545339134994164
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Defense Meteorological Satellite Program (DMSP-OLS) and Suomi National Polar-orbiting Partnership (SNPP-VIIRS) nighttime light (NTL) data are vital for monitoring urbanization, yet sensor incompatibilities hinder long-term analysis. This study proposes a cross-sensor calibration method using Contrastive Unpaired Translation (CUT) network to transform DMSP data into VIIRS-like format, correcting DMSP defects. The method employs multilayer patch-wise contrastive learning to maximize mutual information between corresponding patches, preserving content consistency while learning cross-domain similarity. Utilizing 2012-2013 overlapping data for training, the network processes 1992-2013 DMSP imagery to generate enhanced VIIRS-style raster data. Validation results demonstrate that generated VIIRS-like data exhibits high consistency with actual VIIRS observations (R-squared greater than 0.87) and socioeconomic indicators. This approach effectively resolves cross-sensor data fusion issues and calibrates DMSP defects, providing reliable attempt for extended NTL time-series.
• Abstract（参考訳）: 防衛気象衛星計画(DMSP-OLS)とスオミ国立極軌道パートナーシップ(SNPP-VIIRS)夜間光(NTL)データは都市化の監視に不可欠であるが、センサの不整合性は長期的な分析を妨げている。 本研究では,コントラスト・アンペアド・トランスフォーメーション(CUT)ネットワークを用いたクロスセンサ・キャリブレーション手法を提案する。 本手法では,パッチ間の相互情報を最大化し,ドメイン間の類似性を学習しながら,コンテントの一貫性を保ちながら,マルチレイヤのパッチワイドコントラスト学習を用いる。 2012-2013年の重なり合うトレーニングデータを利用して、1992-2013 DMSP 画像を処理し、強化された VIIRS スタイルのラスタデータを生成する。 検証の結果、生成した VIIRS のようなデータは、実際の VIIRS 観測(R-squared が 0.87 以上)や社会経済指標と高い整合性を示すことが示された。 このアプローチは、クロスセンサーデータ融合問題を効果的に解決し、DMSP欠陥を校正し、拡張NTL時系列に対する信頼性の高い試行を提供する。

関連論文リスト

• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• MCLPD:Multi-view Contrastive Learning for EEG-based PD Detection Across Datasets [18.392841877276354]
  本稿では,MLCPDという半教師付き学習フレームワークを提案する。 マルチビューコントラスト事前トレーニングと軽量教師付き微調整を統合して、クロスデータセットPD検出性能を向上させる。
  論文  参考訳（メタデータ） (2025-08-12T08:19:27Z)
• Efficient Fault Detection in WSN Based on PCA-Optimized Deep Neural Network Slicing Trained with GOA [0.6827423171182154]
  従来の障害検出手法は、効率的なパフォーマンスのためにディープニューラルネットワーク(DNN)の最適化に苦労することが多い。 本研究では,これらの制約に対処するためにGrasshopper Optimization Algorithm(GOA)によって最適化されたDNNと主成分分析(PCA)を組み合わせた新しいハイブリッド手法を提案する。 従来の手法よりも優れた精度とリコールで,99.72%の分類精度を実現している。
  論文  参考訳（メタデータ） (2025-05-11T15:51:56Z)
• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)

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。