論文の概要: Near field Acoustic Holography on arbitrary shapes using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2103.16935v1
• Date: Wed, 31 Mar 2021 09:41:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 14:16:48.845390
• Title: Near field Acoustic Holography on arbitrary shapes using Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いた任意形状の近接場音響ホログラフィ
• Authors: Marco Olivieri, Mirco Pezzoli, Fabio Antonacci, Augusto Sarti
• Abstract要約: 近接場音響ホログラフィーは, 構造物の振動速度場を音響測定により推定することを目的としたよく知られた問題である。 畳み込みニューラルネットワーク(CNN)に基づくNAH手法を提案する。 提案手法は,提案手法を合成した地中真実と最新技術との比較により検証する。
• 参考スコア（独自算出の注目度）: 9.1673176404097
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Near-field Acoustic Holography (NAH) is a well-known problem aimed at estimating the vibrational velocity field of a structure by means of acoustic measurements. In this paper, we propose a NAH technique based on Convolutional Neural Network (CNN). The devised CNN predicts the vibrational field on the surface of arbitrary shaped plates (violin plates) with orthotropic material properties from a limited number of measurements. In particular, the architecture, named super resolution CNN (SRCNN), is able to estimate the vibrational field with a higher spatial resolution compared to the input pressure. The pressure and velocity datasets have been generated through Finite Element Method simulations. We validate the proposed method by comparing the estimates with the synthesized ground truth and with a state-of-the-art technique. Moreover, we evaluate the robustness of the devised network against noisy input data.
• Abstract（参考訳）: 近接場音響ホログラフィー(Near-field Acoustic Holography, NAH)は, 構造物の振動速度場を音響測定により推定することを目的としたよく知られた問題である。 本稿では,畳み込みニューラルネットワーク(CNN)に基づくNAH手法を提案する。 考案したcnnは, 任意の形状の平板(紫板)の表面の振動場を, 限られた数の測定値からオルソトロピックな材料特性で予測する。 特に、超分解能CNN(SRCNN)と呼ばれるアーキテクチャでは、入力圧力よりも高い空間分解能で振動場を推定することができる。 圧力と速度データセットは有限要素法によるシミュレーションによって生成される。 提案手法は,提案手法を合成した基底真実と最新技術との比較により検証する。 さらに,提案するネットワークの雑音入力データに対するロバスト性を評価する。

関連論文リスト

• Hopfield-Enhanced Deep Neural Networks for Artifact-Resilient Brain State Decoding [0.0]
  そこで本研究では, ホップフィールド・ネットワークとコナール・ニューラル・ネットワーク(CNN)を併用した2段階の計算手法を提案する。 様々なレベルのデータ圧縮とノイズ強度のパフォーマンスは、我々のフレームワークがアーティファクトを効果的に軽減し、より低いノイズレベルにおいてクリーンなデータCNNと同等の精度でモデルに到達できることを示しました。
  論文  参考訳（メタデータ） (2023-11-06T15:08:13Z)
• Neural Acoustic Context Field: Rendering Realistic Room Impulse Response With Neural Fields [61.07542274267568]
  このレターでは、音声シーンをパラメータ化するためのNACFと呼ばれる新しいニューラルネットワークコンテキストフィールドアプローチを提案する。 RIRのユニークな性質により、時間相関モジュールとマルチスケールエネルギー崩壊基準を設計する。 実験の結果,NACFは既存のフィールドベース手法よりも顕著なマージンで優れていた。
  論文  参考訳（メタデータ） (2023-09-27T19:50:50Z)
• Generative adversarial networks with physical sound field priors [6.256923690998173]
  本稿では,GANを用いた音場再構築のための深層学習に基づくアプローチを提案する。 提案手法は, 平面波ベースと室内圧力の統計的分布を用いて, 限られた数の測定値から音場を再構成する。 提案手法は, 音場再構成に有望な手法であることを示す。
  論文  参考訳（メタデータ） (2023-08-01T10:11:23Z)
• Neural Modulation Fields for Conditional Cone Beam Neural Tomography [18.721488634071193]
  コーンビーム・ニューラル・トモグラフィ(CondCBNT)は、ノイズフリーおよびノイズの多いデータに対して、高値および低値のプロジェクションの性能向上を示す。 ニューラル変調場(NMF)を介して入力領域上のフィールドとして局所変調をモデル化する新しい条件付け法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T09:41:01Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Prediction of Object Geometry from Acoustic Scattering Using Convolutional Neural Networks [8.067201256886733]
  本研究は,畳み込みニューラルネットワークを訓練することにより,散乱特徴から物体形状を推定することを提案する。 データ劣化に対する我々のアプローチの堅牢性は、データセットを用いてトレーニングされたネットワークの性能を比較して評価する。
  論文  参考訳（メタデータ） (2020-10-21T00:51:14Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。