Fourier Amplitude and Correlation Loss: Beyond Using L2 Loss for Skillful Precipitation Nowcasting

要約

近年、深層学習アプローチが降水ナウキャスティングに広く採用されています。
これまでの研究は主に、ピクセル単位のメトリクスを改善するための新しいモデル アーキテクチャの提案に焦点を当てていました。
ただし、予測が不鮮明になることが多く、予測操作の有用性が限られています。
この研究では、フーリエ振幅損失 (FAL) とフーリエ相関損失 (FCL) という 2 つの新しい損失項で構成される新しいフーリエ振幅および相関損失 (FACL) を提案します。
FAL はモデル予測のフーリエ振幅を正規化し、FCL は欠落している位相情報を補完します。
2 つの損失項は連携して、信号ベースのデータの時空間予測問題に対する MSE や加重 MSE などの従来の $L_2$ 損失を置き換えます。
私たちの方法は汎用的で、パラメーターがなく、効率的です。
1 つの合成データセットと 3 つのレーダー エコー データセットを使用した広範な実験により、私たちの方法が、ピクセル単位の精度と構造の類似性に対する小さなトレードオフで、知覚指標と気象学スキル スコアを向上させることが実証されました。
さらに、Critical Success Index (CSI) や Fractions Skill Score (FSS) などの気象スキル スコアの誤差を改善するために、パッチごとの類似性を考慮した距離指標である地域ヒストグラム ダイバージェンス (RHD) を提案し、採用しました。
ローカル変換に対する耐性を備えた信号ベースの画像パターン。
コードは https://github.com/argenycw/FACL で入手できます。

要約(オリジナル)

Deep learning approaches have been widely adopted for precipitation nowcasting in recent years. Previous studies mainly focus on proposing new model architectures to improve pixel-wise metrics. However, they frequently result in blurry predictions which provide limited utility to forecasting operations. In this work, we propose a new Fourier Amplitude and Correlation Loss (FACL) which consists of two novel loss terms: Fourier Amplitude Loss (FAL) and Fourier Correlation Loss (FCL). FAL regularizes the Fourier amplitude of the model prediction and FCL complements the missing phase information. The two loss terms work together to replace the traditional $L_2$ losses such as MSE and weighted MSE for the spatiotemporal prediction problem on signal-based data. Our method is generic, parameter-free and efficient. Extensive experiments using one synthetic dataset and three radar echo datasets demonstrate that our method improves perceptual metrics and meteorology skill scores, with a small trade-off to pixel-wise accuracy and structural similarity. Moreover, to improve the error margin in meteorological skill scores such as Critical Success Index (CSI) and Fractions Skill Score (FSS), we propose and adopt the Regional Histogram Divergence (RHD), a distance metric that considers the patch-wise similarity between signal-based imagery patterns with tolerance to local transforms. Code is available at https://github.com/argenycw/FACL

arxiv情報

提供元, 利用サービス

arxiv.jp, Google