Fugu-MT 論文翻訳(概要): Learning to Detect Fortified Areas

論文の概要: Learning to Detect Fortified Areas

arxiv url: http://arxiv.org/abs/2105.12385v1
Date: Wed, 26 May 2021 08:03:42 GMT
ステータス: 処理完了
システム内更新日: 2021-05-27 13:38:54.292558
Title: Learning to Detect Fortified Areas
Title（参考訳）: 要塞化地域を検知する学習
Authors: Allan Gr{\o}nlund and Jonas Tranberg
Abstract要約: 本研究では,道路,歩道,駐車場,舗装された自動車道,テラスなどによって,ある表面のどの部分が要塞化されているのかを分類する問題を考察する。本稿では,すべてのセンサシステムからデータを新しい共通表現に変換するニューラルネット埋め込みアーキテクチャを設計し,アルゴリズムによる解を提案する。
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: High resolution data models like grid terrain models made from LiDAR data are a prerequisite for modern day Geographic Information Systems applications. Besides providing the foundation for the very accurate digital terrain models, LiDAR data is also extensively used to classify which parts of the considered surface comprise relevant elements like water, buildings and vegetation. In this paper we consider the problem of classifying which areas of a given surface are fortified by for instance, roads, sidewalks, parking spaces, paved driveways and terraces. We consider using LiDAR data and orthophotos, combined and alone, to show how well the modern machine learning algorithms Gradient Boosted Trees and Convolutional Neural Networks are able to detect fortified areas on large real world data. The LiDAR data features, in particular the intensity feature that measures the signal strength of the return, that we consider in this project are heavily dependent on the actual LiDAR sensor that made the measurement. This is highly problematic, in particular for the generalisation capability of pattern matching algorithms, as this means that data features for test data may be very different from the data the model is trained on. We propose an algorithmic solution to this problem by designing a neural net embedding architecture that transforms data from all the different sensor systems into a new common representation that works as well as if the training data and test data originated from the same sensor. The final algorithm result has an accuracy above 96 percent, and an AUC score above 0.99.
Abstract（参考訳）: LiDARデータから作られた格子地形モデルのような高解像度のデータモデルは、現代の地理情報システムアプリケーションにとって必須条件である。非常に正確なデジタル地形モデルの基礎を提供するのに加えて、LiDARデータは、水、建物、植生などの関連する要素を含むと考えられる表面のどの部分を構成するかの分類にも広く用いられている。本稿では, 道路, 歩道, 駐車スペース, 舗装された車道, テラスなどによって, 与えられた面のどの領域が要塞化されているかを分類する問題を考える。 lidarデータと直交写真を組み合わせることで、現代の機械学習アルゴリズムの勾配が木や畳み込みニューラルネットワークが、現実世界の大規模データで強固な領域をいかにうまく検出できるかを示す。今回検討したLiDARデータの特徴,特にリターンの信号強度を測定する強度特性は,測定を行った実際のLiDARセンサに大きく依存している。これは、特にパターンマッチングアルゴリズムの一般化能力において非常に問題であり、これは、テストデータのデータ特徴が、モデルがトレーニングしたデータと大きく異なる可能性があることを意味する。本稿では,すべてのセンサシステムから新たな共通表現へとデータ変換を行うニューラルネットワーク組込みアーキテクチャを設計し,学習データとテストデータが同じセンサから生み出すかどうかを判定するアルゴリズム的解法を提案する。最終的なアルゴリズムの精度は96%以上、AUCのスコアは0.99以上である。

関連論文リスト

Scale-Translation Equivariant Network for Oceanic Internal Solitary Wave Localization [7.444865250744234]
内部孤立波(英:internal Solitary wave、ISW)は、内部の海洋でしばしば観測される重力波である。光リモートセンシング画像における雲のカバーは、地表面の情報を可変的に曖昧にし、ぼやけたり、表面の観察を欠いたりする。本稿では,ISWを自動検出するアルゴリズムを用いた機械学習ソリューションを提案する。
論文参考訳（メタデータ） (2024-06-18T21:09:56Z)
Data Augmentations in Deep Weight Spaces [89.45272760013928]
そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
論文参考訳（メタデータ） (2023-11-15T10:43:13Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文参考訳（メタデータ） (2023-04-27T20:21:18Z)
LiDAR-CS Dataset: LiDAR Point Cloud Dataset with Cross-Sensors for 3D Object Detection [36.77084564823707]
ディープラーニングの手法は注釈付きデータに大きく依存しており、ドメインの一般化の問題に直面することが多い。 LiDAR-CSデータセットは、リアルタイムトラフィックにおける3Dオブジェクト検出の領域におけるセンサ関連ギャップに対処する最初のデータセットである。
論文参考訳（メタデータ） (2023-01-29T19:10:35Z)
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)
Joint calibration and mapping of satellite altimetry data using trainable variational models [4.506463422216017]
非校正データから校正演算子と補間器を共同で学習するために、データ駆動の変分データ同化フレームワークがいかに使用できるかを示す。提案したフレームワークは、運用上の最先端マッピングパイプラインを大幅に上回っている。
論文参考訳（メタデータ） (2021-10-07T12:48:27Z)
The Hilti SLAM Challenge Dataset [41.091844019181735]
構築環境は、同時局所化とマッピング(SLAM)アルゴリズムに難しい問題を引き起こす。本研究を支援するために,Hilti SLAM Challengeデータセットという新しいデータセットを提案する。各データセットには正確な基底真理が含まれており、SLAM結果を直接テストすることができる。
論文参考訳（メタデータ） (2021-09-23T12:02:40Z)
SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文参考訳（メタデータ） (2020-10-19T09:23:39Z)
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。