プロモーション動画（日本語ナレーション付き・約2分）— フィラメントがなぜ重要か、観測画像から個体検出までを実データの推論結果で紹介。研究開発デモです。
SOLAR FILAMENT太陽フィラメント & 太陽電池（PV）線状欠陥の個体解析
Solar Filament は、太陽面の H-Alpha 全面画像や NASA SDO 観測データから ダークフィラメントを個体単位で検出する研究開発中のモジュールです。 フィラメントはコロナ質量放出やフレアの中核であり、その形状は宇宙天気の予測に関わります。 また、この「数画素幅の微細な線状構造を個体に切り分ける」技術は、太陽電池（PV）の極細フィンガー電極の断線やフィラメント状マイクロクラック（微細ひび割れ）の自動検査にも直結しています。 詳細は Solar Filament の技術 をご覧ください。
0.39Kaggle Public LB — リーク不使用の誠実な提出の最上位帯
0.23%画像に占める前景の割合
2048px解析するH-Alpha画像の解像度
約1/3推論処理時間を短縮（単一モデル構成）
主催者有用性基準（PQ > 0.35）との対比: コンペティション主催者は公式アナウンス（2026年8月20日）において、「PQ スコアが 0.35 を超えるモデルは学術的・実用的に大きな価値がある（Any PQ score of greater than 0.35 is of great value to us）」と述べています。自社開発の EdgeAttNet 精密化モデル（Public LB 0.39 / 全Fold OOF 0.4454）は、専門家同士の一致度（複数観測 PQ 約 0.34）および主催者の有用性基準を安定して上回る水準を確認しています。なお2026年9月に、上位クラスタ（0.55〜0.56）はテストセットと公開MAGFiLOの77.2%重複に由来するリークスコアと判明しました。当社モデルはリークを用いない実測値です（詳細: 技術解説）。
検出結果の実例 — 公開観測画像における推論例
以下はコンペティションの学習・評価データとは別の、公開されている実際のGONG観測画像に対して 自社モデル（YOLO + EdgeAttNet精密化）を適用した推論結果です。 画像はクリックで生データ（自然なH-Alphaグレースケール）と 技術強調表示（検出パイプラインへの入力表現＋黄色い検出輪郭）を切り替えられます。 下記の大型ビューアでは全体の生データと検出結果を常時並列で比較でき、 個別事例カードではボタン操作によりその場で表示を切り替えられます。
表示している画像はNSO/GONG（National Solar Observatory / Global Oscillation Network Group）が公開している観測データで、コンペティションの 学習・評価用データセットとは別の日付のものです。輪郭はコンペティションの 正解ラベルではなく、自社モデルが独自に生成した検出結果であり、研究・開発中の 精度を示す一例です。出典・ライセンスの詳細は データ・モデルについて を参照してください。
研究・開発中のモジュールです（IEEE Big Data Cup 2026 / Kaggle Solar Filament Segmentation Challenge を題材に検証しています）。学習済みの重みは本サイトでは配布していません。 データセットとモデルの出典・ライセンスは データ・モデルについて を参照してください。
モデルアーキテクチャ進化 ＆ 数理構造
第1世代から第4世代への進化系統樹、EdgeAttNet（EG-MHSA）完全数理、テンソルマップ、Fold 2単体推論（3倍高速）の工学的根拠。
Solar Filament の技術
太陽フィラメントと太陽電池（PV）フィラメントの共通原理、NASA SDO観測、2段パイプライン、IoU 0.5 の急峻な閾値特性、境界精密化。
Solar Filament 技術ノート（原版ライト・学術ペーパー）
学術論文スタイルの生成り調ライト配色（#faf6ee）。PQ指標の数学的性質、YOLO＋Refinerパイプライン、pseudo-labeling理論を論述。
Search の技術（PV EL 欠陥検査）
太陽電池パネルのEL画像欠陥検索。本モジュールの微細線状解析と連携します。
MediSeg-AI の技術
本モジュールの境界精密化に転用している医用画像セグメンテーションの U-Net。
Biohub Cell Tracking の技術
同じくコンペティション課題。公式指標の実装と再現性への配慮を同じ方針で扱っています。