論文の概要: SmaAT-QMix-UNet: A Parameter-Efficient Vector-Quantized UNet for Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2603.21879v2
• Date: Sun, 29 Mar 2026 08:18:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 13:48:18.779108
• Title: SmaAT-QMix-UNet: A Parameter-Efficient Vector-Quantized UNet for Precipitation Nowcasting
• Title（参考訳）: SmaAT-QMix-UNet:パラメータ効率の良いベクトル量子化UNet
• Authors: Nikolas Stavrou, Siamak Mehrkanoon,
• Abstract要約: 本稿では、SmaAT-QMix-UNetの拡張版であるSmaAT-QMix-UNetについて述べる。 エンコーダ・デコーダブリッジにおけるベクトル量子化ボトルネックと、選択したエンコーダブロックとデコーダブロックを置き換える混合カーネル奥行き畳み込み(MixConv)。 SmaAT-QMix-UNetをオランダのレーダの降水量予測データを用いて学習し,30分前に降水量を予測する。
• 参考スコア（独自算出の注目度）: 2.0912407740405903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weather forecasting supports critical socioeconomic activities and complements environmental protection, yet operational Numerical Weather Prediction (NWP) systems remain computationally intensive, thus being inefficient for certain applications. Meanwhile, recent advances in deep data-driven models have demonstrated promising results in nowcasting tasks. This paper presents SmaAT-QMix-UNet, an enhanced variant of SmaAT-UNet that introduces two key innovations: a vector quantization (VQ) bottleneck at the encoder-decoder bridge, and mixed kernel depth-wise convolutions (MixConv) replacing selected encoder and decoder blocks. These enhancements both reduce the model's size and improve its nowcasting performance. We train and evaluate SmaAT-QMix-UNet on a Dutch radar precipitation dataset (2016-2019), predicting precipitation 30 minutes ahead. Three configurations are benchmarked: using only VQ, only MixConv, and the full SmaAT-QMix-UNet. Grad-CAM saliency maps highlight the regions influencing each nowcast, while a UMAP embedding of the codewords illustrates how the VQ layer clusters encoder outputs. The source code for SmaAT-QMix-UNet is publicly available on GitHub: https://github.com/nstavr04/MasterThesisSnellius.
• Abstract（参考訳）: 気象予報は重要な社会経済活動をサポートし、環境保護を補完するが、運用中の数値気象予報システム(NWP)は計算集約的であり、特定の用途では非効率である。 一方、深層データ駆動モデルの最近の進歩は、現在のタスクにおいて有望な結果を示している。 本稿では,SmaAT-QMix-UNetの拡張版として,エンコーダ-デコーダブリッジにおけるベクトル量子化(VQ)ボトルネックと,選択したエンコーダブロックとデコーダブロックを置き換えたカーネル深さワイド畳み込み(MixConv)という2つの重要なイノベーションを紹介する。 これらの拡張により、モデルのサイズが小さくなり、現在のパフォーマンスが向上する。 我々はSmaAT-QMix-UNetをオランダのレーダ降水データセット(2016-2019)でトレーニングし、30分前に降水を予測する。 VQのみの使用、MixConvのみの使用、フルSmaAT-QMix-UNetの3つの設定がベンチマークされている。 Grad-CAMサリエンシマップは、各 nowcast に影響を与える領域をハイライトし、コードワードの UMAP 埋め込みは、VQ 層クラスタのエンコーダの出力方法を示している。 SmaAT-QMix-UNetのソースコードはGitHubで公開されている。

関連論文リスト

• SQS: Enhancing Sparse Perception Models via Query-based Splatting in Autonomous Driving [56.198745862311824]
  スパースパーセプションモデル(SPM)のための新しいクエリベーススプラッティング事前トレーニングであるSQSを紹介する。 SQSは、事前トレーニング中にスパースクエリから3Dガウス表現を予測する。 自律運転ベンチマークの実験では、SQSは複数のクエリベースの3D知覚タスクでかなりのパフォーマンス向上を達成している。
  論文  参考訳（メタデータ） (2025-09-20T09:25:19Z)
• SIGMA:Sinkhorn-Guided Masked Video Modeling [69.31715194419091]
  SIGMA (Sinkhorn-guided Masked Video Modelling) は、新しいビデオ事前学習法である。 時空管の特徴を,限られた数の学習可能なクラスタに均等に分散する。 10個のデータセットによる実験結果から,より高性能で時間的,堅牢な映像表現を学習する上で,SIGMAの有効性が検証された。
  論文  参考訳（メタデータ） (2024-07-22T08:04:09Z)
• DSMix: Distortion-Induced Sensitivity Map Based Pre-training for No-Reference Image Quality Assessment [38.03718178204522]
  画像品質評価(IQA)は画像理解の基本的な課題である。 IQAフィールドにおける大量のラベル付きデータの欠如は、これらの手法のさらなる進歩を妨げている。 本稿では,IQAタスクに特化して設計された新しいデータ拡張手法であるDSMixを紹介する。
  論文  参考訳（メタデータ） (2024-07-04T12:25:11Z)
• Squat: Quant Small Language Models on the Edge [45.448118471829474]
  数百万のパラメータを持つ高品質のSLM(Small Language Models)の設計において、増加傾向が生まれている。 モバイルデバイス上でのSLMでは,完全なパラメータトレーニングが実現可能であることを考えると,QAT(Quantization-Aware Training)が有効である。 本研究では,モバイルデバイス上でSLMをデプロイ可能な量子化を実現するためのQATフレームワークであるSquat法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:10:38Z)
• Does Vector Quantization Fail in Spatio-Temporal Forecasting? Exploring a Differentiable Sparse Soft-Vector Quantization Approach [22.070533429289334]
  Sparse Soft- Quantization (SVQ) は、時間的予測を強化するための最初のVQ手法である。 SVQはスパースノイズの低減とバランスを取り、完全性を提供し、スパースレグレッションの強固な基盤を提供する。 このアプローチでは,スパース回帰プロセスの合理化のために,2層データセットと広範なコードブックを用いる。
  論文  参考訳（メタデータ） (2023-12-06T10:42:40Z)
• Boosting Low-Data Instance Segmentation by Unsupervised Pre-training with Saliency Prompt [103.58323875748427]
  この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。 近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。 実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:49:03Z)
• QDrop: Randomly Dropping Quantization for Extremely Low-bit Post-Training Quantization [54.44028700760694]
  ポストトレーニング量子化(PTQ)は、長時間のリトレーニングなしに効率的なニューラルネットワークを生成するために多くの注目を集めている。 本研究では,PTQ再構成にアクティベーション量子化を適切に組み込むことで,最終的な精度が向上することを先駆的に確認する。 結論に基づき、QDROPと呼ばれる単純な効果的なアプローチが提案され、PTQ中のアクティベーションの量子化をランダムに減少させる。
  論文  参考訳（メタデータ） (2022-03-11T04:01:53Z)
• Regularized Densely-connected Pyramid Network for Salient Instance Segmentation [73.17802158095813]
  我々は、エンドツーエンドの有能なインスタンスセグメンテーション(SIS)のための新しいパイプラインを提案する。 ディープネットワークにおけるリッチな特徴階層をよりよく活用するために、正規化された高密度接続を提案する。 マスク予測を改善するために,新しいマルチレベルRoIAlignベースのデコーダを導入し,多レベル特徴を適応的に集約する。
  論文  参考訳（メタデータ） (2020-08-28T00:13:30Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)
• SalsaNext: Fast, Uncertainty-aware Semantic Segmentation of LiDAR Point Clouds for Autonomous Driving [0.6437284704257459]
  完全3次元LiDAR点雲の非確実性を考慮したセマンティックセマンティックセグメンテーションをリアルタイムに行うために,SalsaNextを紹介した。 SalsaNextはエンコーダ-デコーダアーキテクチャを持つSalsaNetの次期バージョンである。
  論文  参考訳（メタデータ） (2020-03-07T20:17:06Z)

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。