論文の概要: Recovery of Meteorites Using an Autonomous Drone and Machine Learning

• arxiv url: http://arxiv.org/abs/2106.06523v1
• Date: Fri, 11 Jun 2021 17:36:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 15:23:10.046183
• Title: Recovery of Meteorites Using an Autonomous Drone and Machine Learning
• Title（参考訳）: 自律型ドローンと機械学習による隕石の回収
• Authors: Robert I. Citron, Peter Jenniskens, Christopher Watkins, Sravanthi Sinha, Amar Shah, Chedy Raissi, Hadrien Devillepoix, Jim Albers
• Abstract要約: 現場でドローンが撮影した画像から隕石を認識するために、さまざまな畳み込みニューラルネットワークの組み合わせをオフラインで展開する概念的隕石分類器について説明する。 このシステムは概念的なドローンで実装され、ネバダ州ウォーカー湖近くで最近落下した隕石の被疑地でテストされた。
• 参考スコア（独自算出の注目度）: 3.3563930847025025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recovery of freshly fallen meteorites from tracked and triangulated meteors is critical to determining their source asteroid families. However, locating meteorite fragments in strewn fields remains a challenge with very few meteorites being recovered from the meteors triangulated in past and ongoing meteor camera networks. We examined if locating meteorites can be automated using machine learning and an autonomous drone. Drones can be programmed to fly a grid search pattern and take systematic pictures of the ground over a large survey area. Those images can be analyzed using a machine learning classifier to identify meteorites in the field among many other features. Here, we describe a proof-of-concept meteorite classifier that deploys off-line a combination of different convolution neural networks to recognize meteorites from images taken by drones in the field. The system was implemented in a conceptual drone setup and tested in the suspected strewn field of a recent meteorite fall near Walker Lake, Nevada.
• Abstract（参考訳）: 新たに落下した隕石を追跡・三角測量した隕石から回収することは、その起源の小惑星族を決定するのに重要である。 しかし、過去に三角測量された隕石や、現在進行中の隕石カメラネットワークから隕石が回収されるケースはごくわずかである。 機械学習と自律ドローンを用いて隕石の発見を自動化できるかを検討した。 ドローンはグリッド検索パターンを飛ばし、大規模な調査エリアで地上のシステマティックな写真を撮るようにプログラムすることができる。 これらの画像は機械学習の分類器を使って分析でき、フィールド内の隕石を識別することができる。 ここでは、現場でドローンが撮影した画像から隕石を認識するために、さまざまな畳み込みニューラルネットワークの組み合わせをオフラインで展開するコンセプト隕石分類器について述べる。 このシステムは、概念的なドローンで実装され、ネバダ州ウォーカー湖近くの最近の隕石落下の現場でテストされた。

関連論文リスト

• Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve Aerial Visual Perception? [57.77643186237265]
  我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。 MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。 これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
  論文  参考訳（メタデータ） (2023-12-07T18:59:14Z)
• Deep machine learning for meteor monitoring: advances with transfer learning and gradient-weighted class activation mapping [0.0]
  我々は、畳み込みニューラルネットワーク(CNN)を用いて、気象検出を分類する完全自動パイプラインを開発した。 我々の新しい手法は、雲や月、建物などの静的要素を含む画像でも隕石を検出することができる。 スペイン気象局(SPMN)が収集した大規模なデータセットを用いて、我々のモデルをトレーニングし、評価し、精度は98%に達した。
  論文  参考訳（メタデータ） (2023-10-25T17:56:28Z)
• A new meteor detection application robust to camera movements [0.0]
  本稿では,隕石の自動検出のための新しいツールを提案する。 気象観測は、気象気球や飛行機内のカメラが撮影した映像を、安定して分析することで検出することができる。
  論文  参考訳（メタデータ） (2023-09-12T07:56:55Z)
• AI-Enhanced Data Processing and Discovery Crowd Sourcing for Meteor Shower Mapping [0.32622301272834514]
  The Cameras for Allsky Meteor Surveillance(CAMS)プロジェクトは、低照度ビデオカメラで検出された流星軌道を三角測量することで、流星群をマッピングすることを目的としています。 我々の研究は、自動クラウドベースのAI対応パイプラインを実装することで、データ処理の合理化を目的としていた。 現在までに、CAMSは200以上の新しい流星群を発見し、これまでに報告された数十の流星群を検証している。
  論文  参考訳（メタデータ） (2023-08-02T18:26:16Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Successful Recovery of an Observed Meteorite Fall Using Drones and Machine Learning [0.0]
  ドローンと機械学習アルゴリズムを用いて,新しい隕石の落下を初めて回収したことを報告した。 2021年4月1日、砂漠の火球ネットワークによって西オーストラリアで火球が観測された。 捜索隊が現場に到着し、4日間にわたって5.1km2の地域を調査した。 畳み込みニューラルネットワークは、これまで回収された隕石を核融合地殻で訓練し、各飛行後にフィールドコンピュータで画像を処理しました。 計算された落下線から50m以内に70gの隕石が回収され、この方法の有効性が証明された。
  論文  参考訳（メタデータ） (2022-03-03T00:33:55Z)
• Crack detection using tap-testing and machine learning techniques to prevent potential rockfall incidents [68.8204255655161]
  本稿では,岩盤の自動探傷システムを提案する。 ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。 音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
  論文  参考訳（メタデータ） (2021-10-10T22:53:36Z)
• Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
  本稿では,他の飛行ドローンからドローンを検知する問題に対処する。 ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。 これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-31T17:43:31Z)
• Machine Learning for Semi-Automated Meteorite Recovery [0.0]
  本稿では,ドローンと機械学習アルゴリズムを用いて,火球ネットワークによって観測・制約された隕石の落下を回収する新しい手法を提案する。 このアプローチでは、特定の落下地点の局所的な地形の画像を使用して、隕石候補を検出するように設計された人工ニューラルネットワークをトレーニングする。 我々は, 隕石検出率を75～97%と評価し, また, 偽陽性を除去するための効率的なメカニズムについて検討した。
  論文  参考訳（メタデータ） (2020-09-29T08:27:41Z)
• University-1652: A Multi-view Multi-source Benchmark for Drone-based Geo-localization [87.74121935246937]
  我々は、ドローンによるジオローカライゼーションのための新しいマルチビューベンチマーク、University-1652を紹介する。 大学1652は、世界中の1,652の大学の建物から合成ドローン、衛星、地上カメラなどの3つのプラットフォームからのデータを含んでいる。 実験の結果,University-1652は視点不変の特徴の学習を支援し,実世界のシナリオにおいて優れた一般化能力を有することが示された。
  論文  参考訳（メタデータ） (2020-02-27T15:24:15Z)
• Detection and Tracking Meet Drones Challenge [131.31749447313197]
  本稿では、オブジェクト検出・追跡データセットとベンチマークのレビューを行い、手動アノテーションによる大規模ドローンによるオブジェクト検出・追跡データセットの収集の課題について論じる。 当社のVisDroneデータセットは、中国北部から南部にかけての14の都市部と郊外部で収集されたものです。 本稿では,ドローンにおける大規模物体検出・追跡の現場の現状を詳細に分析し,今後の方向性を提案するとともに,課題を結論づける。
  論文  参考訳（メタデータ） (2020-01-16T00:11:56Z)

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。