論文の概要: Geodesy of irregular small bodies via neural density fields: geodesyNets

• arxiv url: http://arxiv.org/abs/2105.13031v1
• Date: Thu, 27 May 2021 09:56:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-29 03:34:57.649900
• Title: Geodesy of irregular small bodies via neural density fields: geodesyNets
• Title（参考訳）: 神経密度場による不規則小天体の測地:測地ネットワーク
• Authors: Dario Izzo and Pablo G\'omez
• Abstract要約: 人工ニューラルネットワーク(GeodesyNets)に基づく新しいアプローチを提案する。 極めて不規則な天体の正確な測地モデルとして機能する能力を示す。 本研究では,10 1955 Bennu,67P Churyumov-Gerasimenko,433 Eros,25143 Itokawaの6種類の形状について検討した。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel approach based on artificial neural networks, so-called geodesyNets, and present compelling evidence of their ability to serve as accurate geodetic models of highly irregular bodies using minimal prior information on the body. The approach does not rely on the body shape information but, if available, can harness it. GeodesyNets learn a three-dimensional, differentiable, function representing the body density, which we call neural density field. The body shape, as well as other geodetic properties, can easily be recovered. We investigate six different shapes including the bodies 101955 Bennu, 67P Churyumov-Gerasimenko, 433 Eros and 25143 Itokawa for which shape models developed during close proximity surveys are available. Both heterogeneous and homogeneous mass distributions are considered. The gravitational acceleration computed from the trained geodesyNets models, as well as the inferred body shape, show great accuracy in all cases with a relative error on the predicted acceleration smaller than 1\% even close to the asteroid surface. When the body shape information is available, geodesyNets can seamlessly exploit it and be trained to represent a high-fidelity neural density field able to give insights into the internal structure of the body. This work introduces a new unexplored approach to geodesy, adding a powerful tool to consolidated ones based on spherical harmonics, mascon models and polyhedral gravity.
• Abstract（参考訳）: 本稿では, ニューラルネットワーク, いわゆるジオデシネットをベースとした新しいアプローチを提案するとともに, 身体の最小限の事前情報を用いて, 極めて不規則な天体の正確な測地モデルとして機能する能力を示す。 このアプローチはボディシェイプ情報に依存しないが、利用可能であればそれを活用できる。 GeodesyNetsは、ニューラルネットワークと呼ばれる体密度を表す3次元の微分可能な関数を学習する。 体の形状は、他の測地特性と同様に容易に回収できる。 身長101955ベンヌ,67pチュリュモフ・ゲラシメンコ,433エロス,25143イトカワの6種類の形状を調査し,近接調査で形状モデルが得られた。 不均一質量分布と均質質量分布の両方を考慮する。 トレーニングされた測地線モデルから計算された重力加速度と推定された天体形状は、小惑星表面の1\%よりも小さい予測加速度の相対誤差が全ての場合において高い精度を示す。 体の形に関する情報が得られれば、ジオデシーネットはシームレスにそれを利用でき、身体の内部構造に関する洞察を与えることができる高忠実な神経密度場を表現するように訓練することができる。 本研究は,球面高調波,マスコンモデル,多面体重力に基づく高調波を統合するための強力なツールである。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Self Supervised Networks for Learning Latent Space Representations of Human Body Scans and Motions [6.165163123577484]
  本稿では,3次元人体解析・処理の分野におけるいくつかの基本的な問題に対処するために,自己教師型ニューラルネットワークモデルを提案する。 身体形状とポーズの潜在空間表現を検索するための新しいアーキテクチャであるVariShaPEを提案する。 第二に、潜時空間の幾何学を学習するフレームワークであるMoGeNで潜時符号の推定を補完する。
  論文  参考訳（メタデータ） (2024-11-05T19:59:40Z)
• Large Intestine 3D Shape Refinement Using Point Diffusion Models for Digital Phantom Generation [1.0135237242899509]
  我々は, 幾何学的深層学習の最近の進歩と拡散確率モデルのデノベーションを活用して, 大腸のセグメンテーション結果を改善した。 階層型潜在空間における2つの条件付き微分拡散モデルを訓練し、形状改善を行う。 実験の結果,臓器形状のグローバル分布と微細な細部の両方を捉えるためのアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-09-15T10:10:48Z)
• NeuroGF: A Neural Representation for Fast Geodesic Distance and Path Queries [77.04220651098723]
  本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。 具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。 NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T13:32:21Z)
• Investigation of the Robustness of Neural Density Fields [7.67602635520562]
  本研究は、トレーニング中のノイズや制約などの外部要因に対する堅牢性の文脈における神経密度場とその相対誤差について検討する。 両モデルが多面体およびマスコングラウンドの真理で訓練された場合も同様に機能し、基底の真理が精度のボトルネックではないことを示す。
  論文  参考訳（メタデータ） (2023-05-31T09:43:49Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• SCALE: Modeling Clothed Humans with a Surface Codec of Articulated Local Elements [62.652588951757764]
  衣服のモデル化と再構成は、調音性、非剛性変形、衣服の種類や地形の変化などにより困難である。 最近の研究では、ニューラルネットワークを使ってローカルな表面要素をパラメータ化している。 まず、人間の体モデルに基づいて表面要素を変形させます。 第2に,局所的な特徴から局所的な幾何学を回帰させることにより,既存の神経表面要素の制限を解消する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:39Z)
• Combining Implicit Function Learning and Parametric Models for 3D Human Reconstruction [123.62341095156611]
  深層学習近似として表される暗黙の関数は、3次元曲面の再構成に強力である。 このような機能は、コンピュータグラフィックスとコンピュータビジョンの両方に柔軟なモデルを構築するのに不可欠である。 詳細に富んだ暗黙関数とパラメトリック表現を組み合わせた方法論を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:46:14Z)
• Learning 3D Human Shape and Pose from Dense Body Parts [117.46290013548533]
  本研究では,3次元の人体形状を学習し,身体部分の密接な対応からポーズをとるために,分解・集約ネットワーク(DaNet)を提案する。 ローカルストリームからのメッセージは集約され、回転ベースのポーズの堅牢な予測が強化される。 提案手法は,Human3.6M,UP3D,COCO,3DPWを含む屋内および実世界のデータセットで検証される。
  論文  参考訳（メタデータ） (2019-12-31T15:09:51Z)

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。