PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.14071v2cs.CV

ShearFuse-UNet: 익일 산불 확산 예측을 위한 아다마르, DCT 및 시어렛 변환 융합

ShearFuse-UNet: Hadamard, DCT, and Shearlet Transform Fusion for Next-Day Wildfire Spread Prediction

본 논문에서는 멀티모달 위성 데이터로부터 익일 산불 확산을 예측하기 위한 가볍고 계산 효율적인 심층 학습(deep learning) 모델인 ShearFuse-UNet을 제안한다. 이 모델은 U-Net 백본의 각 인코더 블록 내에 상호보완적인 세 가지 변환 도메인 브랜치를 통합한다: 2D 고속 월시-아다마르 변환(WHT) 브랜치, 2D 이산 코사인 변환(DCT) 브랜치, 그리고 원뿔 적응형 디지털 시어렛(Shearlet) 잔차 브랜치이다. WHT 및 DCT 브랜치는 학습 가능한 스펙트럼 스케일링(spectral scaling)과 고정된 소프트 임계값 처리(soft-thresholding)를 통해 직교 잠재 공간을 구축하며, 시어렛 브랜치는 화재 전선의 특징인 길쭉한 가장자리 구조를 명시적으로 인코딩하는 이방성 다방향 특징(feature) 분해를 제공한다. 학습된 SpectralFusion 게이트는 WHT와 DCT 응답을 적응적으로 결합하며, 시어렛 재구성은 잔차로 더해진다. 이러한 3개 브랜치 설계는 트랜스포머(transformer) 셀프 어텐션(self-attention)과 느슨한 구조적 유사성을 지닌다. 즉, WHT 및 DCT 브랜치는 적응적으로 융합되는 상호보완적 스펙트럼 표현을 제공하고, 시어렛 브랜치는 잔차 경로를 통해 방향성 콘텐츠를 기여한다. 셀프 어텐션과 달리, 제안된 설계는 학습된 프로젝션 연산자 대신 고정된 수학적 변환에 의존하므로 매개변수(parameter) 수와 계산 비용을 줄인다. WildfireSpreadTS 데이터셋(dataset)에 대한 평가에서 ShearFuse-UNet은 단 267k개의 매개변수로 0.596의 F1 점수를 달성하여 ResNet18 기반 U-Net(1,400만 개의 매개변수, F1 = 0.589)을 능가하며 매우 유리한 정확도-효율성 트레이드오프를 입증한다. Google Next-Day Wildfire Spread 데이터셋에 대한 결과는 서로 다른 벤치마크 전반에서 이러한 연구 결과를 추가로 검증한다.

arXiv:2606.11676v1cs.CE

산불 확산을 위한 신경망 매개변수화 세포 오토마타

Neural-Parameterized Cellular Automata for Wildfire Spread

전통적인 산불 모델은 경직되고 저차원인 매개변수와 정적인 연료 지도에 의존하여 빈번하게 화재 확산을 과소 예측합니다. 이러한 약점을 해결하기 위해, 우리는 JAX로 구현된 하이브리드 딥러닝 매개변수화 확률적 세포 오토마타(CA) 프레임워크를 소개합니다. 우리의 접근 방식은 화재 확산 확률, 바람 정렬, 경사 영향을 제어하는 공간적으로 변하는 매개변수를 동적으로 생성하기 위해 다중 스케일 합성곱 신경망(CNN)을 사용합니다. 이 하이브리드 설계는 기본이 되는 3상태 세포 오토마타의 물리적 해석 가능성을 보존하면서 복잡하고 비선형적인 환경 상호작용을 포착합니다. JAX 구현은 하드웨어 가속과 그래디언트 기반 매개변수 보정을 가능하게 합니다. 미국 서부의 6개 대규모 산불에 대해 평가한 결과, 모델은 관측된 외곽선에 점진적으로 적합되는 10일 데이터 동화 기간 이후 72시간 예측 기간 동안 IoU > 0.6을 유지했습니다. 결과적으로 도출된 예측은 해당 관측치에 이미 내재된 진압 체제 하에서의 화재 성장에 대한 조건부 투영입니다.