論文の概要: Methane Detection On Board Satellites from Unorthorectified Imagery

• arxiv url: http://arxiv.org/abs/2609.04906v1
• Date: Fri, 04 Sep 2026 09:09:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.989947
• Title: Methane Detection On Board Satellites from Unorthorectified Imagery
• Title（参考訳）: 未発見画像からの基板上のメタン検出
• Abstract要約: メタンは強力な温室効果ガスであり、その効果は時間的検出に依存している。 従来の検出方法は、幾何歪みを補正するための修正と、プラム信号を強化するためのマッチングフィルタに依存していた。 UnorthoDOSは、未検出のハイパースペクトル画像に基づいて機械学習モデルをトレーニングするためのデータセットとアプローチである。
• 参考スコア（独自算出の注目度）: 1.9447067408198295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a potent greenhouse gas, methane is a major driver of climate change. Its effective mitigation relies on timely detection. Conventional detection methods rely on orthorectification to correct geometric distortions and matched filters to enhance plume signals, which are steps designed for ground processing and poorly suited to onboard execution. We introduce UnorthoDOS, a dataset and approach for training machine learning models directly on unorthorectified hyperspectral imagery, bypassing both orthorectification and matched-filter products. Our U-Net models trained on unorthorectified data approach the performance of models trained on orthorectified data (IoU 16.91% vs. 18.47% on all plumes), while both substantially outperform the mag1c matched-filter baseline (IoU 4.76%). We further demonstrate the feasibility of onboard deployment: FP16 compression halves model size with under 0.3% output deviation. The trained ML models and two ML-ready datasets -- orthorectified and unorthorectified hyperspectral imagery from the EMIT sensor -- are publicly available at https://huggingface.co/datasets/SpaceML/UnorthoDOS, with code at https://github.com/spaceml-org/plume-hunter.
• Abstract（参考訳）: 強力な温室効果ガスとして、メタンは気候変動の主要な要因である。 その効果的な緩和はタイムリーな検出に依存している。 従来の検出法は、幾何歪みを補正するための修正と整合フィルタを頼りに、地上処理用に設計され、オンボード実行に不適なプルーム信号を強化する。 UnorthoDOSは、未修正のハイパースペクトル画像に基づいて機械学習モデルをトレーニングするためのデータセットとアプローチであり、正当性と整合フィルタ製品の両方をバイパスする。 我々のU-Netモデルは、修正データに基づいてトレーニングされたモデルの性能(IoU 16.91% vs. 18.47%)にアプローチし、どちらもMag1cマッチングフィルタベースライン(IoU 4.76%)を大幅に上回った。 FP16圧縮は、0.3%以下の出力偏差でモデルサイズを半減させる。 トレーニングされたMLモデルと2つのML対応データセット -- EMITセンサーの修正および修正されていないハイパースペクトル画像 -- は、https://huggingface.co/datasets/SpaceML/UnorthoDOSで公開され、https://github.com/spaceml-org/plume-hunterでコードが公開されている。

関連論文リスト

• Towards Methane Detection Onboard Satellites [0.5900825203015314]
  メタンは温室効果ガスであり、気候変動の主要な要因である。 衛星に搭載された機械学習(ML)は、ダウンリンクコストを低減しつつ、迅速な検出を可能にする。 テクスチュノルト認証データ(UnorthoDOS)を用いて,これらの前処理ステップをバイパスする新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-08-30T22:54:00Z)
• Improving Out-of-Distribution Detection via Dynamic Covariance Calibration [12.001290283557466]
  アウト・オブ・ディストリビューション(OOD)検出は、AIシステムの信頼性に不可欠である。 我々は, 従来の形状を動的に調整することにより, 分散されていない試料の影響を補正することができると論じる。 提案手法は, 各種モデル間のOOD検出を著しく向上させる。
  論文  参考訳（メタデータ） (2025-06-11T05:05:26Z)
• Test-time adaptation for geospatial point cloud semantic segmentation with distinct domain shifts [6.80671668491958]
  テスト時間適応(TTA)は、ソースデータへのアクセスや追加のトレーニングなしに、推論段階でラベル付けされていないデータに事前訓練されたモデルの直接適応を可能にする。 本稿では,3つの領域シフトパラダイムを提案する。光グラムから空気中LiDAR,空気中LiDAR,合成-移動レーザー走査である。 実験の結果,分類精度は最大20%mIoUに向上し,他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-07-08T15:40:28Z)
• Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
  異常検出は、データ内の確立されたパターンから逸脱を検出する。 本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。 実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-18T15:11:44Z)
• Estimation of River Water Surface Elevation Using UAV Photogrammetry and Machine Learning [0.0]
  無人航空機(UAV)は、地形の直視とデジタル表面モデル(DSM)を作成することができる。 この方法でマッピングされた水域のDSMは、水面歪みを明らかにし、水面標高(WSE)の正確な測定に光グラムデータを使用するのを防ぐ。 本稿では, コンボリューショナル・ニューラル・ネットワーク(CNN)を, フォトグラムのDSMと正光のWSE推定器として用いる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T08:20:46Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• DDPM-CD: Denoising Diffusion Probabilistic Models as Feature Extractors for Change Detection [31.125812018296127]
  Deno Diffusion Probabilistic Model (DDPM) の事前学習による変化検出のための新しいアプローチを提案する。 DDPMは、訓練画像を徐々にマルコフ連鎖を用いてガウス分布に変換することにより、トレーニングデータ分布を学習する。 推論(サンプリング)中に、トレーニング分布に近い多様なサンプルセットを生成することができる。 LEVIR-CD, WHU-CD, DSIFN-CD, CDDデータセットを用いて行った実験により,提案手法は既存の変化検出法よりもF1スコアで大幅に優れており, I。
  論文  参考訳（メタデータ） (2022-06-23T17:58:29Z)
• GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
  我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。 自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。 元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
  論文  参考訳（メタデータ） (2022-03-22T17:06:07Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。