論文の概要: ShearFuse-UNet: Hadamard, DCT, and Shearlet Transform Fusion for Next-Day Wildfire Spread Prediction

• arxiv url: http://arxiv.org/abs/2606.14071v1
• Date: Fri, 12 Jun 2026 03:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.732116
• Title: ShearFuse-UNet: Hadamard, DCT, and Shearlet Transform Fusion for Next-Day Wildfire Spread Prediction
• Title（参考訳）: ShearFuse-UNet:Adamard, DCT, Shearlet Transform Fusionによる次世代の山火事予測
• Authors: Ene Meco, Yingyi Luo, Emadeldeen Hamdan, Adam Watts, Ahmet Enis Cetin,
• Abstract要約: We propose ShearFuse-UNet, a lightweight and computely efficient Deep Learning model for next-day wildfire spread prediction。 このモデルは、U-Netバックボーンの各エンコーダブロック内に3つの相補的なトランスフォーメーションドメインのブランチを統合する。 WildfireSpreadTSデータセットに基づいて評価されたShearFuse-UNetは、267kパラメータのF1スコアを0.596で達成し、ResNet18ベースのU-Net(14Mパラメータ、F1 = 0.589)を上回っ、高い精度と効率のトレードオフを示す。
• 参考スコア（独自算出の注目度）: 0.5872014229110214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose ShearFuse-UNet, a lightweight and computationally efficient deep learning model for next-day wildfire spread prediction from multi-modal satellite data. The model integrates three complementary transform-domain branches inside each encoder block of a U-Net backbone: a 2D Fast Walsh-Hadamard Transform (WHT) branch, a 2D Discrete Cosine Transform (DCT) branch, and a cone-adapted digital Shearlet residual branch. The WHT and DCT branches establish orthogonal latent spaces with learnable spectral scaling and fixed soft-thresholding, while the Shearlet branch provides anisotropic, multi-directional feature decomposition that explicitly encodes the elongated edge structures characteristic of fire fronts. A learned SpectralFusion gate adaptively combines the WHT and DCT responses, and the Shearlet reconstruction is added as a residual. This three-branch design bears a loose structural analogy to transformer self-attention: the WHT and DCT branches provide complementary spectral representations that are adaptively fused, while the Shearlet branch contributes directional content through a residual pathway. Unlike self-attention, the proposed design relies on fixed mathematical transforms rather than learned projection operators, reducing parameter count and computational cost. Evaluated on the WildfireSpreadTS dataset, ShearFuse-UNet achieves an F1 score of 0.596 with only 267k parameters, outperforming a ResNet18-based U-Net (14M parameters, F1 = 0.589) and demonstrating a highly favorable accuracy-efficiency trade-off. Results on the Google Next-Day Wildfire Spread dataset further validate these findings across a different benchmark.
• Abstract（参考訳）: マルチモーダル衛星データから翌日の山火事拡散予測のための軽量かつ計算効率の良いディープラーニングモデルShearFuse-UNetを提案する。 このモデルは、2D Fast Walsh-Hadamard Transform (WHT)ブランチ、2D Discrete Cosine Transform (DCT)ブランチ、およびコーン適応デジタルシアレット残枝の3つの補完的なトランスフォーメーションドメインをU-Netバックボーンの各エンコーダブロック内に統合する。 WHTおよびDCT枝は、学習可能なスペクトルスケーリングと固定されたソフトスレッショニングを備えた直交潜在空間を確立し、一方、シアレット枝は、ファイアフロントの特徴を持つ伸長エッジ構造を明示的に符号化する異方性多方向特徴分解を提供する。 学習したスペクトルフュージョンゲートはWHTとDCTの応答を適応的に組み合わせ、シャーレット再構成を残余として追加する。 WHT と DCT の分岐は、適応的に融合した相補的なスペクトル表現を提供し、シャーレットの分岐は、残留経路を通じて方向コンテンツに寄与する。 自己アテンションとは異なり、提案した設計は、学習された射影演算子ではなく、固定された数学的変換に依存し、パラメータ数と計算コストを削減した。 WildfireSpreadTSデータセットに基づいて評価されたShearFuse-UNetは、267kパラメータのF1スコアを0.596で達成し、ResNet18ベースのU-Net(14Mパラメータ、F1 = 0.589)を上回っ、高い精度と効率のトレードオフを示す。 Google Next-Day Wildfire Spreadデータセットの結果は、異なるベンチマークでさらに検証されている。

関連論文リスト

• Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation [0.0]
  畳み込みエンコーダ・デコーダフレームワークにグラフニューラルネットワーク(GNN)を統合する単眼深度推定アーキテクチャであるGraphDepthを提案する。 我々のアプローチは、効率的なGraphSAGEレイヤをResNet-101 U-Netバックボーンの複数スケールに埋め込む。 NYU Depth V2、WHU Aerial、ETH3D、Mid-Airベンチマークの実験では、最先端のトランスフォーマーの4.6%で競合精度が示されている。
  論文  参考訳（メタデータ） (2026-05-11T09:21:04Z)
• FireSenseNet: A Dual-Branch CNN with Cross-Attentive Feature Interaction for Next-Day Wildfire Spread Prediction [1.1417805445492082]
  次回の山火事拡大の正確な予測は、災害対応と資源配分に不可欠である。 本稿では,新しい相互干渉モジュールを備えた二分岐畳み込みニューラルネットワークFireSenseNetを提案する。 我々は、FireSenseNetがF1の0.4176とAUC-PRの0.3435を達成し、すべての代替品を上回っていることを示した。
  論文  参考訳（メタデータ） (2026-04-09T00:39:03Z)
• U-Net with Hadamard Transform and DCT Latent Spaces for Next-day Wildfire Spread Prediction [0.6999740786886536]
  我々は、マルチモーダル衛星データを入力として利用し、翌日の山火事拡散予測のための軽量ツールを開発した。 ディープラーニングモデルは、Transform Domain Fusion UNetと呼ばれ、トレーニング可能なAdamard TransformとDisdisrete Cosine Transformレイヤを組み込んでいる。 提案手法は,軽量環境下での精度と効率のバランスを示す。
  論文  参考訳（メタデータ） (2026-02-12T07:45:53Z)
• An End-to-End Comprehensive Gear Fault Diagnosis Method Based on Multi-Scale Feature-Level Fusion Strategy [2.7257711357543504]
  加速度信号を用いたギアのインテリジェントな故障診断手法を提案する。 本手法は、歯車におけるエンドツーエンドの故障診断の要件を効果的に満たすものである。
  論文  参考訳（メタデータ） (2025-03-31T09:40:06Z)
• A Hybrid Transformer-Mamba Network for Single Image Deraining [70.64069487982916]
  既存のデラリング変換器では、固定レンジウィンドウやチャネル次元に沿って自己アテンション機構を採用している。 本稿では,多分岐型トランスフォーマー・マンバネットワーク(Transformer-Mamba Network,TransMamba Network,Transformer-Mamba Network)を提案する。
  論文  参考訳（メタデータ） (2024-08-31T10:03:19Z)
• DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets [95.84755169585492]
  本研究では,屋外3次元知覚のためのシングルストライドウィンドウベースのボクセルトランスであるDynamic Sparse Voxel Transformer (DSVT)を提案する。 本モデルでは,3次元認識タスクを多岐にわたって行うことにより,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-01-15T09:31:58Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• Adaptive Split-Fusion Transformer [90.04885335911729]
  本稿では,適応重みによる畳み込みと注目の分岐を異なる方法で扱うための適応分割変換器(ASF-former)を提案する。 ImageNet-1Kのような標準ベンチマークの実験では、我々のASFフォーマーはCNN、トランスフォーマー、ハイブリッドパイロットを精度で上回っている。
  論文  参考訳（メタデータ） (2022-04-26T10:00:28Z)
• TCCT: Tightly-Coupled Convolutional Transformer on Time Series Forecasting [6.393659160890665]
  本稿では, 密結合型畳み込み変換器(TCCT)と3つのTCCTアーキテクチャを提案する。 実世界のデータセットに対する我々の実験は、我々のTCCTアーキテクチャが既存の最先端トランスフォーマーモデルの性能を大幅に改善できることを示している。
  論文  参考訳（メタデータ） (2021-08-29T08:49:31Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。