論文の概要: A Sensor-Adaptive Incremental Learning Framework for Artifact Detection in Satellite Precipitation Data

• arxiv url: http://arxiv.org/abs/2609.01514v1
• Date: Tue, 01 Sep 2026 16:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.83499
• Title: A Sensor-Adaptive Incremental Learning Framework for Artifact Detection in Satellite Precipitation Data
• Title（参考訳）: 衛星降水データにおけるアーチファクト検出のためのセンサ適応型インクリメンタル学習フレームワーク
• Authors: Andres F. Monsalve, Hernan A. Moreno, Christian D. Kummerow,
• Abstract要約: 本稿では,地球規模の衛星による降雨物中のアーティファクトを識別する異常検出システムの開発について述べる。 その結果, 衛星毎の軌道から正則軌道を分離する手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Historically, retrieving rainfall data from satellite imagery has been the domain of space agencies. However, in recent years, the development of cheaper, more compact satellites (SmallSats) capable of detecting rainfall proxies has led to a significant increase in private-sector initiatives for satellite launch and surface precipitation products. This rapid growth has yet to be matched by data validation efforts. Consequently, the need for a robust tool to detect anomalies in near-real-time data before it is disseminated to the public has become critical. In this paper, we present the development of an anomaly-detection system to identify artifacts in global satellite-based rainfall products. The developed framework leverages pre-trained computer vision models and incorporates scarce human-labeled data to detect specific anomalies. Our proposed anomaly detection strategy is tested on data from the Special Sensor Microwave Imager (SSMI) and the Special Sensor Microwave Imager/Sounder (SSMIS). Results demonstrate the efficacy of our approach at separating regular orbits from artifact-containing orbits for each satellite, with performance comparable to state-of-the-art in-place methods. Additionally, the framework offers explainability and the capacity for iterative refinement following false-positive or false-negative classifications.
• Abstract（参考訳）: 歴史的に、衛星画像から降雨データを取得することは、宇宙機関の領域であった。 しかし近年、降雨プロキシを検知できるより安価でコンパクトな衛星(SmallSats)の開発が、衛星打ち上げや降水製品のためのプライベートセクターイニシアチブを著しく増加させている。 この急速な成長は、データ検証の取り組みとはまだ一致していない。 その結果,一般向けに普及する前に,リアルタイムに近いデータの異常を検出する堅牢なツールの必要性が高まっている。 本稿では,地球規模の衛星による降雨物中のアーティファクトを識別する異常検出システムの開発について述べる。 このフレームワークは、事前訓練されたコンピュータビジョンモデルを活用し、人間のラベルの少ないデータを組み込んで特定の異常を検出する。 提案手法は, 特殊センサマイクロ波画像(SSMI)と特殊センサマイクロ波画像(SSMIS)のデータに基づいて, 異常検出手法を検証した。 以上の結果から, 衛星毎の軌道からレギュラー軌道を分離する手法の有効性が示され, 最先端のインプレース法に匹敵する性能が得られた。 さらに、このフレームワークは、偽陽性または偽陰性分類の後、反復的洗練のための説明可能性と能力を提供する。

関連論文リスト

• StreakMind: AI detection and analysis of satellite streaks in astronomical images with automated database integration [0.7688353610648074]
  StreakMindは、天体画像中の地球近傍物体と衛星ストリークを検出するために設計された自動パイプラインである。 YOLO OBBモデルは2335画像のハイブリッドデータセットでトレーニングされ、FITSフレームに適用される。 不安定なストリークを確実に検出し、一貫した幾何的な再構築を行い、頑丈な衛星の相互識別を実行した。
  論文  参考訳（メタデータ） (2026-05-05T07:11:58Z)
• ARCANE -- Early Detection of Interplanetary Coronal Mass Ejections [0.0]
  ARCANEは、ストリーミング太陽風データにおけるICME早期検出のために明示的に設計された最初のフレームワークである。 検出パイプラインはF1スコアの0.37に達し、平均検出遅延はイベントの24.5%である。
  論文  参考訳（メタデータ） (2025-05-14T13:17:45Z)
• Learning Satellite Pattern-of-Life Identification: A Diffusion-based Approach [10.811177660290726]
  衛星の挙動をモニターする現在のアプローチは、専門家の知識と低スケールのルールベースのシステムに依存している。 本稿では, 専門知識への依存を著しく排除する, 衛星パタン・オブ・ライフ(PoL)識別のための新しい生成手法を提案する。 実際の衛星データを用いたケーススタディでは、運用行動パターンの識別、追跡の強化、空間状況認識に対するアプローチの変容の可能性が確認されている。
  論文  参考訳（メタデータ） (2024-12-14T12:39:19Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Anomaly Detection in Satellite Videos using Diffusion Models [5.378437695174892]
  衛星データによる極端事象のリアルタイム検出は,災害管理に不可欠である。 動きの速い異常を捉えるために運動成分を必要としない拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-05-25T19:17:39Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)

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。