論文の概要: Seismic Shot Gather Noise Localization Using a Multi-Scale Feature-Fusion-Based Neural Network

• arxiv url: http://arxiv.org/abs/2005.03626v1
• Date: Thu, 7 May 2020 17:23:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 22:47:55.249700
• Title: Seismic Shot Gather Noise Localization Using a Multi-Scale Feature-Fusion-Based Neural Network
• Title（参考訳）: マルチスケール特徴フュージョンベースニューラルネットワークを用いた耐震シートノイズ定位
• Authors: Antonio Jos\'e G. Busson, S\'ergio Colcher, Ruy Luiz Milidi\'u, Bruno Pereira Dias, and Andr\'e Bulc\~ao
• Abstract要約: 本報告では, マルチスケール機能融合ネットワークの耐震性評価における有効性について述べる。 提案した検出器は、実験的な評価でAP@0.5の78.67%を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based models, such as convolutional neural networks, have advanced various segments of computer vision. However, this technology is rarely applied to seismic shot gather noise localization problem. This letter presents an investigation on the effectiveness of a multi-scale feature-fusion-based network for seismic shot-gather noise localization. Herein, we describe the following: (1) the construction of a real-world dataset of seismic noise localization based on 6,500 seismograms; (2) a multi-scale feature-fusion-based detector that uses the MobileNet combined with the Feature Pyramid Net as the backbone; and (3) the Single Shot multi-box detector for box classification/regression. Additionally, we propose the use of the Focal Loss function that improves the detector's prediction accuracy. The proposed detector achieves an AP@0.5 of 78.67\% in our empirical evaluation.
• Abstract（参考訳）: 畳み込みニューラルネットワークのようなディープラーニングベースのモデルは、コンピュータビジョンの様々なセグメントを進化させた。 しかし, この技術は, 地震動群集ノイズローカライズ問題にはほとんど適用されない。 本報告では,マルチスケール特徴流型ネットワークによる地震時発声音定位の有効性について検討する。 本稿では,(1)6,500の地震動に基づく実世界の地震音定位データセットの構築,(2)特徴ピラミッドネットと組み合わされたモビルネットをバックボーンとするマルチスケール特徴流型検出器,(3)ボックス分類/回帰のための単一ショットマルチボックス検出器について述べる。 さらに,検出者の予測精度を向上させる焦点損失関数の利用を提案する。 提案した検出器は実験評価においてAP@0.5の78.67\%を達成する。

関連論文リスト

• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Feature Aggregation in Joint Sound Classification and Localization Neural Networks [0.0]
  現在の最先端の音源ローカライゼーション深層学習ネットワークは、アーキテクチャ内での機能集約を欠いている。 我々は,コンピュータビジョンニューラルネットワークから信号検出ニューラルネットワークへ特徴集約技術を適用する。
  論文  参考訳（メタデータ） (2023-10-29T16:37:14Z)
• Millimeter Wave Localization with Imperfect Training Data using Shallow Neural Networks [13.454939391912095]
  我々は,mWaveデバイスを屋内でローカライズするための浅層ニューラルネットワークモデルを提案する。 このモデルは、文献で提案されているものよりもはるかに少ない重量を必要とする。 また,位置推定を幾何学ベースのmWaveローカライゼーションアルゴリズムから検索することで,トレーニングデータ収集の取り組みを緩和することを提案する。
  論文  参考訳（メタデータ） (2021-12-09T16:03:30Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• PILOT: Introducing Transformers for Probabilistic Sound Event Localization [107.78964411642401]
  本稿では,受信したマルチチャンネル音声信号の時間的依存性を自己アテンション機構によってキャプチャする,トランスフォーマーに基づく新しい音声イベント定位フレームワークを提案する。 このフレームワークは, 公開されている3つの音声イベントローカライズデータセットを用いて評価し, 局所化誤差と事象検出精度の点で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2021-06-07T18:29:19Z)
• CDN-MEDAL: Two-stage Density and Difference Approximation Framework for Motion Analysis [3.337126420148156]
  本稿では,2つの畳み込みニューラルネットワークを用いた2段階変化検出手法を提案する。 筆者らの2段階フレームワークは, 約3.5Kのパラメータを含むが, 複雑な動きパターンに対する迅速な収束は維持されている。
  論文  参考訳（メタデータ） (2021-06-07T16:39:42Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Gravitational-wave selection effects using neural-network classifiers [0.0]
  我々は、コンパクトバイナリ・マージから重力波信号のLIGO/Virgo検出性を予測するために、一連のニューラルネットワーク分類器を訓練する。 スピン沈降、高次モード、複数検出器の影響を含める。 我々のアプローチは完全なパイプライン注入と併用できるので、天体物理学とノイズトリガーの実際の分布を重力波の人口分析に含めるための道を開くことができる。
  論文  参考訳（メタデータ） (2020-07-13T18:00:04Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。