論文の概要: Thermal Anomaly Detection using Physics Aware Neuromorphic Networks: Comparison between Raw and L1C Sentinel-2 Data

• arxiv url: http://arxiv.org/abs/2604.18606v1
• Date: Fri, 10 Apr 2026 02:15:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.038241
• Title: Thermal Anomaly Detection using Physics Aware Neuromorphic Networks: Comparison between Raw and L1C Sentinel-2 Data
• Title（参考訳）: 物理認識ニューロモルフィックネットワークを用いた熱異常検出:RAWとL1CSentinel-2データの比較
• Authors: Stephen Smith, Cormac Purcell, Gabriele Meoni, Roberto Del Prete, Zdenka Kuncic,
• Abstract要約: 近年の地球観測では、非圧縮レベル0(L0)センサーデータに基づいて、熱異常検出が直接行われることが示されている。 データの直接利用は、ドメインシフト、センサードリフト、ラジオメトリックの不整合、ラベル付きトレーニングサンプルの不足など、依然として困難である。 本研究は, 搭載熱異常検出のための物理対応ニューロモルフィックネットワークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.904895437536006
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Damage caused by bushfires and volcanic eruptions escalates rapidly when detection is delayed, making fast and reliable early warning capabilities essential. Recent Earth Observation (EO) approaches have shown that thermal anomaly detection can be performed directly on decompressed Level-0 (L0) sensor data, avoiding computationally expensive preprocessing chains. However, direct exploitation of raw data remains challenging due to domain shift, sensor drift, radiometric inconsistencies, and the scarcity of labelled training samples. To address these challenges, this work proposes a Physics-Aware Neuromorphic Network (PANN) framework for onboard thermal anomaly detection. The proposed lightweight architecture, inspired by physical neural network principles and neuromorphic computing paradigms, is evaluated using two Sentinel-2 datasets: decompressed L0 with additional metadata (i.e. raw) and Level-1C (L1C). The PANN achieves a Matthews Correlation Coefficient (MCC) of $0.809$ on raw measurements, compared to $0.875$ when using ground-processed L1C products. The mean processing latency per L0 granule is $2.44 \pm 0.09~\mathrm{s}$, which is below the Sentinel-2 acquisition time of $3.6~\mathrm{s}$, demonstrating the feasibility of real-time, onboard processing. Furthermore, the projected execution time for the corresponding neuromorphic hardware instantiation is substantially lower at $0.1290 \pm 0.0002~\mathrm{s}$. Memory usage, including all necessary programs and packages, remains within realistic onboard constraints, with requirements of $0.673 \pm 0.007~\mathrm{Gb}$ for the software PANN and $0.393 \pm 0.004~\mathrm{Gb}$ for the estimated hardware realisation. Overall, these results indicate that PANN offers a promising pathway toward low-latency and resource-efficient onboard EO processing for thermal event detection.
• Abstract（参考訳）: 森林火災や火山噴火による被害は、検出が遅れると急速に増大し、迅速かつ信頼性の高い早期警戒能力が不可欠である。 近年の地球観測 (EO) では, 圧縮レベル0 (L0) センサデータに直接熱異常検出を行うことができ, 計算コストのかかる前処理チェーンを避けることができる。 しかし、ドメインシフト、センサードリフト、ラジオメトリック不整合、ラベル付きトレーニングサンプルの不足など、生データの直接的利用は依然として困難である。 これらの課題に対処するため、本研究では、オンボード熱異常検出のための物理認識ニューロモルフィックネットワーク(PANN)フレームワークを提案する。 提案された軽量アーキテクチャは、物理ニューラルネットワークの原理とニューロモルフィックコンピューティングのパラダイムにヒントを得て、2つのSentinel-2データセットを使用して評価されている。 PANN は、地上処理された L1C 製品を使用する場合の 0.875$ に対して、生測値に対して Matthews 相関係数 (MCC) を 0.809$ とする。 L0グラニュラーあたりの平均処理レイテンシは2.44 \pm 0.09~\mathrm{s}$で、Sentinel-2の取得時間3.6~\mathrm{s}$より低く、リアルタイムのオンボード処理の実現可能性を示している。 さらに、対応するニューロモルフィックハードウェアのインスタンス化の予測実行時間は、$0.1290 \pm 0.0002~\mathrm{s}$で大幅に低下する。 すべての必要なプログラムやパッケージを含むメモリ使用量は、ソフトウェア PANN の$0.673 \pm 0.007~\mathrm{Gb}$と、推定ハードウェア実現の$0.393 \pm 0.004~\mathrm{Gb}$の要件で、現実的なオンボード制約内に留まっている。 以上の結果から,PANNは高温イベント検出のための低レイテンシおよび資源効率のEO処理に有望な経路を提供することが示された。

関連論文リスト

• Neuromorphic Parameter Estimation for Power Converter Health Monitoring Using Spiking Neural Networks [0.0]
  常時オンコンバータのヘルスモニタリングには、サブmWエッジ推論が必要である。 この研究は、スパイク時間処理と物理の執行を分離する。 93%のスパイクスペシャリティを持つこのアーキテクチャは、Intel Loihi 2やBrainChip Akidaの常時デプロイに適している。
  論文  参考訳（メタデータ） (2026-04-17T05:34:53Z)
• Neuro-Symbolic Financial Reasoning via Deterministic Fact Ledgers and Adversarial Low-Latency Hallucination Detector [2.950245545999729]
  検証可能な数値推論エージェント(VeNRA)について紹介する。 VeNRAは、RAGパラダイムを確率的テキストの検索から厳密な型付きUniversal Fact Ledger (UFL)による決定論的変数の検索へとシフトさせる 著者らは3ビリオンのSLMを訓練し、単一の推論予算を用いて予測候補を法医学的に監査する。
  論文  参考訳（メタデータ） (2026-03-04T22:55:16Z)
• Operator Learning Using Weak Supervision from Walk-on-Spheres [81.26322147849918]
  トレーニング型PDEソルバは、高価なデータ生成や不安定な物理インフォームドニューラルネットワーク(PINN)によってボトルネックされることが多い モンテカルロ法を用いてPDEの解をトレーニング中の弱監督過程として推定する手法を提案する。
  論文  参考訳（メタデータ） (2026-03-01T17:23:39Z)
• Physics-Constrained Denoising Autoencoders for Data-Scarce Wildfire UAV Sensing [0.8994003055762606]
  森林火災モニタリングには高解像度の大気測定が必要である。 従来のDeep Learning Denoisingアプローチは、限られたUAV飛行キャンペーンから取得するためには、大規模なデータセットを非現実的に要求する。 物理的制約を直接ネットワークアーキテクチャに埋め込むことでデータ不足に対処する物理インフォームド・デノケーション・オートエンコーダであるPC$2$DAEを提案する。
  論文  参考訳（メタデータ） (2026-01-16T21:40:39Z)
• Accelerated characterization of two-level systems in superconducting qubits via machine learning [74.02542457579791]
  本稿では,2レベルシステム(TLS)パラメーターを抽出するためのデータ駆動型アプローチを提案する。 カスタム畳み込みニューラルネットワークモデル(CNN)は、フォーム形式で提示された分光データから、$omega_TLS$, $g$, $T_TLS, 1$と$Tphi_TLS, 2$を同時に予測することができる。
  論文  参考訳（メタデータ） (2025-09-22T12:55:52Z)
• Enhancing Fault-Tolerant Surface Code Decoding with Iterative Lattice Reweighting [12.330043396100635]
  本稿では,Iterative Reweighting Minimum-Weight Perfect Matching (IRMWPM)デコーダを提案する。 IRMWPMは論理誤差率を僅かな距離で20倍以上に下げることを示す。 また、精度の閾値を1%から1.16%に引き上げ、短期リアルタイムデコードに実用的である。
  論文  参考訳（メタデータ） (2025-09-08T14:45:59Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)

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。