論文の概要: Closing the Loop on Contrail Avoidance with Satellite Verification

• arxiv url: http://arxiv.org/abs/2610.09363v1
• Date: Wed, 07 Oct 2026 03:18:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.69405
• Title: Closing the Loop on Contrail Avoidance with Satellite Verification
• Title（参考訳）: 衛星検証によるコントラル回避のループの閉鎖
• Abstract要約: コントラル(Contrail)は、航空機が残す薄い氷の雲。 航空機の温暖化を招き、生産する数少ない飛行を再開することで、その大部分を回避できる。 コントラルを検出する小さな拡散モデル(8.4Mパラメータ、1つのGPUでトレーニング)を構築します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrails are the thin ice clouds that aircraft leave behind. They cause a large share of aviation's warming, and rerouting the few flights that produce them could avoid much of it. However, an avoided contrail only counts if a satellite can confirm that it never formed, and this check is hard: contrails are one to two pixels wide, cover only 0.18% of pixels, and look very similar to natural cirrus. We build a small diffusion model (8.4M parameters, trained on one GPU) that detects them, and we run a controlled study to find out which components matter. The model reaches 0.476 PR-AUC, compared with 0.414 for a DeepLabV3+ baseline and 0.119 for an adapted MedSegDiff. Doubling the input resolution of the CNN brings it to parity (0.499, p=0.07). Three lessons apply beyond contrails. First, check the input resolution before designing a new architecture. Second, simple flips and rotations more than double accuracy and matter more than any architectural choice we measured. Third, pretraining the model on contrail shapes is harmful: the model learns that thin strokes appear everywhere and paints them onto empty scenes. Precision collapses to 1% while recall-based metrics still rate the degraded model as excellent, and no threshold or guidance heuristic repairs this failure.
• Abstract（参考訳）: コントラル(Contrail)は、航空機が残す薄い氷の雲。 航空機の温暖化を招き、生産する数少ない飛行を再開することで、その大部分を回避できる。 しかし、避けられたコントラルは、衛星が形成しなかったことを確認できた場合にのみカウントされ、このチェックは難しい: コントラルは幅が1から2ピクセル、ピクセルの0.18%しかカバーせず、自然のキリルと非常によく似ている。 我々は、それらを検出する小さな拡散モデル(8.4Mパラメータ、1つのGPUでトレーニングされた)を構築し、制御された研究を行い、どのコンポーネントが重要かを調べる。 モデルは0.476 PR-AUCに達し、DeepLabV3+ベースラインは0.414、MedSegDiffは0.119となった。 CNNの入力解像度を2倍にするとパリティになる(0.499, p=0.07)。 3つの教訓が反則を越えて適用される。 まず、新しいアーキテクチャを設計する前に入力解像度を確認する。 第二に、単純なフリップと回転は2倍の精度で、私たちが測定したどのアーキテクチャ選択よりも重要になります。 モデルでは、細いストロークがどこにでも現れることを学び、それらを空のシーンに塗る。 精度は1%に低下する一方、リコールベースのメトリクスは依然として劣化したモデルを優れたものとして評価し、この失敗に対するしきい値や指導的ヒューリスティックな修復は行われない。

関連論文リスト

• Trust the View That Sees the Target: Mining Cross-View Conflicts for Reliability-Gated Disaster Damage Assessment [4.99448712871903]
  災害後、建物の損傷は、頭上タイルと地上写真から評価される。 ほとんどの方法は2つのビューを対称的に融合させ、各ビルに等しく両方を信頼する。 本稿では、その仮定が失敗するサンプルに焦点を当てる。
  論文  参考訳（メタデータ） (2026-10-03T06:43:22Z)
• Reliability-Gated Fusion of Consumer Head and Foot IMUs for Lower-Body 3D Pose [3.9374481291923353]
  信頼性問題はチャネルレベルであることを示す。 私たちは、各ストリームの各チャンネルをどれだけ信頼するかをモデルに教えます。 センサーカウントの代わりにゲートの信頼性を学ぶことは、展開可能なスパース慣性捕獲のためのレバーである。
  論文  参考訳（メタデータ） (2026-09-28T17:59:22Z)
• Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
  私たちは検出器を構築し、その証拠として属性マップを添付します。 私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。 属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
  論文  参考訳（メタデータ） (2026-07-31T16:07:05Z)
• Track-Leakage-Free Hold-Out Self-Validation for Photogrammetric Reconstruction: Protocol, Sensitivity, and Limits [0.0]
  画像再構成のためのトラックレカジフリーホールドアウトプロトコルを定式化する。 我々は、5つの基準撮影、13のETH3Dレーザースキャンシーン、EuRoC飛行、30のIMC 2025シーンで評価した。
  論文  参考訳（メタデータ） (2026-07-25T17:00:11Z)
• A New Kind of Adversarial Example: Measuring the Human-Model Gap, and Its Relationship to OOD Detection [18.313155919803034]
  大きく、はっきりと見える摂動は、人間がもはや画像を認識しないにもかかわらず、モデルが元の正しい予測を維持する原因となる。 我々は、人間がモデルよりも本当に悪いパフォーマンスをしているか、標準配当(OOD)検出と校正ツールがそれをキャッチしているか、既存の防御がそれを緩和するかどうかを答える。
  論文  参考訳（メタデータ） (2026-07-22T00:44:06Z)
• DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
  DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。 ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。 また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
  論文  参考訳（メタデータ） (2026-07-19T06:54:52Z)
• Metric3D: Towards Zero-shot Metric 3D Prediction from A Single Image [85.91935485902708]
  ゼロショット単視距離深度モデルの鍵は、大規模データトレーニングと様々なカメラモデルからの距離あいまいさの解消の組合せにあることを示す。 本稿では,あいまいさ問題に明示的に対処し,既存の単分子モデルにシームレスに接続可能な標準カメラ空間変換モジュールを提案する。 本手法は, ランダムに収集したインターネット画像上での計測3次元構造の正確な復元を可能にする。
  論文  参考訳（メタデータ） (2023-07-20T16:14:23Z)
• Lightning Fast Video Anomaly Detection via Adversarial Knowledge Distillation [106.42167050921718]
  本稿では,ビデオ中の異常検出のための非常に高速なフレームレベルモデルを提案する。 複数の高精度なオブジェクトレベルの教師モデルから知識を抽出することで、異常を検出することを学ぶ。 提案モデルでは,これまで聞こえなかった1480 FPSの速度のため,速度と精度の最良のトレードオフを実現している。
  論文  参考訳（メタデータ） (2022-11-28T17:50:19Z)

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。