論文の概要: ICIBS: Increasing the Context for Ice Boundary Segmentation
- arxiv url: http://arxiv.org/abs/2610.27912v1
- Date: Tue, 20 Oct 2026 09:25:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.741626
- Title: ICIBS: Increasing the Context for Ice Boundary Segmentation
- Title（参考訳）: ICIBS:氷境界セグメンテーションの文脈の向上
- Abstract要約: 予測に追加の文脈情報を含む深層学習モデルの拡張を提案する。
我々はIceAnatomyベンチマークデータセット上で、サブセットの平均誤差が10.9m、CReSISサブセットが43.4mとなる新しい最先端性能を実現する。
- 参考スコア（独自算出の注目度）: 10.291916303560205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mountain glaciers and ice sheets are undergoing rapid loss of ice mass. To assess their current volume and ice-thickness distribution, and to accurately forecast their future, ground-penetrating radar systems are employed to measure ice thickness. These instruments produce radio-echo sounding data that reveal the internal structure of the ice and its boundaries at the surface and beneath the ice body. However, delineating these interfaces is time-consuming as the surveyed area can span several hundred kilometers. To accelerate the labelling process, automated methods have emerged, but they often struggle to delineate the ice bottom, particularly in temperate glaciers. The high water content inherent in temperate ice increases both scattering and attenuation of the radar signal, resulting in weak and ambiguous reflections at the ice bottom and generally noisier data. As a result, the visual features corresponding to the ice bottom become ambiguous. To address this issue, we propose several extensions to deep learning models that incorporate additional contextual information into the prediction. Specifically, we integrate modifications that incorporate additional spatial and geo-spatial contextual information into the network. With these enhancements, we achieve a new state-of-the-art performance on the IceAnatomy benchmark dataset, with mean errors of 10.9 m for the FAU subset and 43.4 m for the CReSIS subset in a single combined system. We also demonstrate that our method generalises well to previously unseen data, outperforming the baseline by 49.6 % on new campaign data from Patagonia. The model code and the new dataset are available at https://github.com/ki7077/ICIBS/tree/main and https://zenodo.org/records/23392580.
- Abstract（参考訳）: 山岳氷河と氷床は急速に氷塊が失われつつある。
現在の体積と氷厚分布を評価し、その将来を正確に予測するために、地中レーダシステムを用いて氷厚を測定する。
これらの機器は、氷の内部構造と氷体の表面および氷体下の境界を明らかにする無線エコー音データを生成する。
しかし,これらのインターフェースの展開には数百kmの時間を要する。
ラベリングを加速させるためには、自動的な方法が出現しているが、特に温暖な氷河では氷底を緩めるのに苦労することが多い。
温帯氷に固有の高含水量は、レーダー信号の散乱と減衰の両方を増大させ、氷底の弱く曖昧な反射と一般的にノイズの多いデータをもたらす。
その結果、氷底に対応する視覚的特徴があいまいになる。
この問題に対処するため,予測に追加の文脈情報を含む深層学習モデルの拡張を提案する。
具体的には,ネットワークに空間的・空間的文脈情報を付加した修正を組み込む。
これらの拡張により、IceAnatomyベンチマークデータセット上で、FAUサブセットの平均誤差は10.9m、CReSISサブセットは43.4mとなる、最先端のパフォーマンスを達成できる。
また,本手法は,パタゴニアからの新しいキャンペーンデータに対して,ベースラインを49.6%上回り,これまで見られなかったデータに対して良好に一般化することを示した。
モデルコードと新しいデータセットはhttps://github.com/ki7077/ICIBS/tree/mainとhttps://zenodo.org/records/23392580で入手できる。
関連論文リスト
- Beyond the Snowflakes: Disentangling Weather Effects from Confounding Meta-Factors in LiDAR Object Detection [43.62515260989309]
光検出と照準(LiDAR)は、自律的な知覚にとって重要であるが、その性能は悪天候下で劣化することが知られている。
既存の文献では、雪は性能を低下させる大気ノイズとしてモデル化されているが、WADS-3DおよびCADCデータセットの粒度評価では、直観に反する現象が明らかになっている。
アブレーション研究とメタ情報分析を通じて、降雪が騒音として作用する一方で、その負の影響が支配的かつ同時的な要因であるオブジェクトポイント数の増加によって上回っていることを確認して、これを再現する。
論文 参考訳（メタデータ） (2026-10-09T17:38:30Z) - A Rapid GeoSAM-Based Workflow for Multi-Temporal Glacier Delineation: Case Study from Svalbard [51.56484100374058]
我々は,Sentinel-2画像からの氷河の高速デライン化のためのGeoSAMに基づく半自動ワークフローを提案する。
その結果, 本手法は, 主要な氷河体に対して, 空間的に一貫性があり, 時間的に一貫した輪郭を生じさせることが示唆された。
導出RGB画像への依存により、他の光学データセットに柔軟で転送可能である。
論文 参考訳（メタデータ） (2025-12-28T09:42:01Z) - Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。
本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。
提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
論文 参考訳（メタデータ） (2025-07-30T08:43:48Z) - DeepTopoNet: A Framework for Subglacial Topography Estimation on the Greenland Ice Sheets [7.90213840103807]
本研究では,レーダーによる氷厚観測とBedMachine Greenlandデータを統合するディープラーニングフレームワークを提案する。
提案した損失関数は、レーダーとBedMachineデータの重み付けを適応的に調整し、レーダーカバレッジに制限のある領域で堅牢性を確保する。
Upernavik Isstrom領域で系統的にテストすることにより、このモデルは、亜氷河の地形を再構築する上で、高精度で優れたベースライン法を実現することができる。
論文 参考訳（メタデータ） (2025-05-29T20:12:27Z) - AI-ready Snow Radar Echogram Dataset (SRED) for climate change monitoring [0.32985979395737786]
本研究は2012年に収集されたSnow Radar Airborne Dataから得られた最初の包括的レーダエコーグラムデータセットを紹介する。
その有用性を示すために,データセット上での5つのディープラーニングモデルの性能を評価した。
論文 参考訳（メタデータ） (2025-05-01T18:29:36Z) - Transformer-based nowcasting of radar composites from satellite images
for severe weather [45.0983299269404]
衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。
厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。
このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
論文 参考訳（メタデータ） (2023-10-30T13:17:38Z) - Simulating surface height and terminus position for marine outlet
glaciers using a level set method with data assimilation [0.0]
我々は,氷面と終端位置観測を数値的な氷流モデルに統合するためのデータ同化フレームワークを実装した。
このモデルはまた、グリーンランド氷床の主要な干潟であるヘルハイム氷河のシミュレーションにも適用されている。
論文 参考訳（メタデータ） (2022-01-28T16:45:37Z) - Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
氷河マッピングは、hkh領域における生態モニタリングの鍵となる。
気候変動は、氷河生態系の健康に依存している個人にリスクを与える。
本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
論文 参考訳（メタデータ） (2020-12-09T12:48:06Z) - Deep Tiered Image Segmentation For Detecting Internal Ice Layers in
Radar Imagery [8.09102093271587]
地中レーダーは、雪と氷の内部構造を観測することができる。
近年の研究では、氷と岩盤の境界を見つけるための自動技術が開発されている。
本稿では,階層分割問題の一般的なクラスを解くための新しいディープニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-08T01:13:03Z)
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。