論文の概要: Development of a High Fidelity Simulator for Generalised Photometric
Based Space Object Classification using Machine Learning
- arxiv url: http://arxiv.org/abs/2004.12270v1
- Date: Sun, 26 Apr 2020 02:10:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 13:53:06.009828
- Title: Development of a High Fidelity Simulator for Generalised Photometric
Based Space Object Classification using Machine Learning
- Title(参考訳): 機械学習を用いた一般測光空間オブジェクト分類のための高忠実度シミュレータの開発
- Authors: James Allworth, Lloyd Windrim, Jeffrey Wardman, Daniel Kucharski,
James Bennett, Mitch Bryson
- Abstract要約: 本稿では,一般住民空間オブジェクト(RSO)特徴付けのためのディープラーニング分類器の開発における初期段階について述べる。
RSOの分類と特徴化は、軌道予測の精度を向上させるために、SSA(Space situational Awareness)において重要な目標である。
本研究の目的は,現実的な光曲線を生成するための高忠実度シミュレーション環境の開発である。
- 参考スコア(独自算出の注目度): 0.5627346969563953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents the initial stages in the development of a deep learning
classifier for generalised Resident Space Object (RSO) characterisation that
combines high-fidelity simulated light curves with transfer learning to improve
the performance of object characterisation models that are trained on real
data. The classification and characterisation of RSOs is a significant goal in
Space Situational Awareness (SSA) in order to improve the accuracy of orbital
predictions. The specific focus of this paper is the development of a
high-fidelity simulation environment for generating realistic light curves. The
simulator takes in a textured geometric model of an RSO as well as the objects
ephemeris and uses Blender to generate photo-realistic images of the RSO that
are then processed to extract the light curve. Simulated light curves have been
compared with real light curves extracted from telescope imagery to provide
validation for the simulation environment. Future work will involve further
validation and the use of the simulator to generate a dataset of realistic
light curves for the purpose of training neural networks.
- Abstract(参考訳): 本稿では,高忠実度模擬光曲線と転写学習を組み合わせた汎用空間オブジェクト(RSO)キャラクタリゼーションのためのディープラーニング分類器を開発し,実データに基づく学習対象キャラクタリゼーションモデルの性能向上を図る。
RSOの分類と特徴化は、軌道予測の精度を向上させるために、宇宙状況認識(SSA)において重要な目標である。
本稿では,現実的な光曲線を生成するための高忠実度シミュレーション環境の開発に焦点をあてる。
シミュレータは、RSOのテクスチャ化された幾何学モデルとオブジェクトのエフェメリスを取り込み、Blenderを使用して、RSOのフォトリアリスティックな画像を生成し、処理して光曲線を抽出する。
シミュレーション光曲線と望遠鏡画像から抽出された実光曲線を比較し,シミュレーション環境の検証を行った。
今後の作業には、ニューラルネットワークのトレーニングを目的とした現実的な光曲線のデータセットを生成するための、さらなる検証とシミュレータの使用が含まれる。
関連論文リスト
- S-NeRF++: Autonomous Driving Simulation via Neural Reconstruction and
Generation [22.58009231967202]
S-NeRF++は神経再構成に基づく革新的な自律運転シミュレーションシステムである。
S-NeRF++は、nuScenesやradianceなど、広く使われている自動運転データセットでトレーニングされている。
システムは、ノイズとスパースLiDARデータを効果的に利用して、トレーニングを洗練し、奥行きの外れ値に対処する。
論文 参考訳(メタデータ) (2024-02-03T10:35:42Z) - Reconstructing Objects in-the-wild for Realistic Sensor Simulation [41.55571880832957]
我々は,スパース・イン・ザ・ワイルドデータから正確な幾何学的および現実的な外観を推定する新しい手法であるNeuSimを提案する。
物体の外観を物理にインスパイアされた頑健な反射率表現でモデル化し,実測データに有効である。
実験の結果,NeuSimはスパース・トレーニング・ビューを持つ難解なシナリオに対して,強力なビュー合成性能を有することがわかった。
論文 参考訳(メタデータ) (2023-11-09T18:58:22Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳(メタデータ) (2023-07-20T05:49:21Z) - Spatiotemporally Consistent HDR Indoor Lighting Estimation [66.26786775252592]
本研究では,屋内照明推定問題を解決するための物理動機付きディープラーニングフレームワークを提案する。
深度マップを用いた1枚のLDR画像から,任意の画像位置における空間的に一貫した照明を予測できる。
我々のフレームワークは、最先端の単一画像やビデオベースの手法と比較して、高画質で光リアリスティック照明予測を実現する。
論文 参考訳(メタデータ) (2023-05-07T20:36:29Z) - Learning from synthetic data generated with GRADE [0.6982738885923204]
本稿では,ロボット工学研究のための現実的なアニメーション動的環境(GRADE)を作成するためのフレームワークを提案する。
GRADEは、完全なシミュレーション制御、ROS統合、現実物理学をサポートし、高い視覚的忠実度画像と地上真実データを生成するエンジン内にある。
合成データのみを用いてトレーニングしても、同一のアプリケーション領域における実世界の画像によく当てはまることを示す。
論文 参考訳(メタデータ) (2023-05-07T14:13:04Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - PCGen: Point Cloud Generator for LiDAR Simulation [10.692184635629792]
既存の方法は、実点雲よりもノイズが多く、完全なデータを生成する。
我々はFPAレイキャストと代理モデルレイドロップを提案する。
最小限のトレーニングデータによって、代理モデルは異なる地理やシーンに一般化することができる。
その結果、シミュレーションデータにより訓練されたオブジェクト検出モデルは、実際のデータトレーニングモデルと同じような結果が得られることがわかった。
論文 参考訳(メタデータ) (2022-10-17T04:13:21Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳(メタデータ) (2022-09-22T13:12:54Z) - DIB-R++: Learning to Predict Lighting and Material with a Hybrid
Differentiable Renderer [78.91753256634453]
そこで本研究では,単体画像から固有物体特性を推定する難題について,微分可能量を用いて検討する。
そこで本研究では、スペクトル化とレイトレーシングを組み合わせることで、これらの効果をサポートするハイブリッド微分可能なDIBR++を提案する。
より高度な物理ベースの微分可能値と比較すると、DIBR++はコンパクトで表現力のあるモデルであるため、高い性能を持つ。
論文 参考訳(メタデータ) (2021-10-30T01:59:39Z) - Object-based Illumination Estimation with Rendering-aware Neural
Networks [56.01734918693844]
個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。
推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
論文 参考訳(メタデータ) (2020-08-06T08:23:19Z)
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。