文献

J-GLOBAL ID：202202259000243344   整理番号：22A0629456

転送学習オーロラ画像分類と磁気擾乱評価【JST・京大機械翻訳】

Transfer Learning Aurora Image Classification and Magnetic Disturbance Evaluation

著者 (4件)： Sado P. (Department of Physics, University of Oslo, Oslo, Norway) ,  Clausen L. B. N. (Department of Physics, University of Oslo, Oslo, Norway) ,  Miloch W. J. (Department of Physics, University of Oslo, Oslo, Norway) ,  Nickisch H. (Philips Research, Hamburg, Germany)
資料名： Journal of Geophysical Research: Space Physics  (Journal of Geophysical Research: Space Physics)
巻： 127  号： 1  ページ： e2021JA029683  発行年： 2022年 
JST資料番号： W2389A  ISSN： 2169-9380  CODEN： JGREA2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： オーロラ画像分類と磁気外乱評価(TAME)に転送学習を適用するオープンソースアルゴリズムを開発した。この目的のために,実行時間と特徴予測能力の両方に関して,全空画像のOslo Auroral THEMIS(OATH)データセットを用いて80の事前訓練ニューラルネットワークの性能を評価する。最良のネットワークによって抽出された特徴から,著者らは,ラベル「アーク」「拡散」「離散」「雲」「月」と「晴天/非オーロラ」を区別するために,サポートベクターマシン(SVM)アルゴリズムを用いて,最後のニューラルネットワーク層をリトレインした。この移動学習アプローチは6つのクラスで73%の精度をもたらす。3つのオーロラと3つの非オーロラクラスを集約するならば,著者らは最高91%の精度を達成した。この分類器を550,000の画像の新しいデータセットに適用し,これらの以前に見えない画像に基づく分類器を評価した。著者らの特徴抽出器と分類器の潜在的有用性を示すために,著者らは2つのテストケースを調査した:最初に,著者らは,気象データと第2の「曇り」画像に対する著者らの予測を比較し,地球の局所測定磁場における摂動を予測するために,線形リッジモデルを訓練した。分類器はデータセットから曇り画像を除去するフィルタとして使用でき,抽出した特徴は磁力計測定の予測を可能にすることを示した。本研究で使用したすべての手順とアルゴリズムは,公的に利用可能であり,コードと分類器を提供し,全空画像の大規模研究の可能性を開く。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  磁力計 ,  *極光 ,  *学習 ,  ネットワーク ,  ニューラルネットワーク ,  特徴抽出 ,  *磁気 ,  画像処理 ,  *画像 ,  晴天 ,  サポートベクトルマシン
準シソーラス用語： *画像分類 ,  オープンソース ,  曇天 , 【Automatic Indexing@JST】

著者キーワード (4件)： オーロラ ,  全天撮像装置 ,  機械学習 ,  オーロライメージング

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 転送 ,  学習 ,  オーロラ ,  画像分類 ,  磁気擾乱 ,  評価