論文の概要: A Convolutional Neural Network-based Approach to Field Reconstruction
- arxiv url: http://arxiv.org/abs/2108.13517v1
- Date: Fri, 27 Aug 2021 00:16:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-02 07:54:39.015630
- Title: A Convolutional Neural Network-based Approach to Field Reconstruction
- Title（参考訳）: 畳み込みニューラルネットワークによるフィールド再構成
- Authors: Roberto Ponciroli and Andrea Rovinelli and Lander Ibarra
- Abstract要約: 多くのアプリケーションでは、スパイクや不連続性、危険な不均一性を検出するために、フィールドの空間分布を注意深く監視する必要がある。
この研究では、これらの要求に対処できる物理インフォームドなデータ駆動アルゴリズムが提示される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work has been submitted to the IEEE for possible publication. Copyright
may be transferred without notice, after which this version may no longer be
accessible.
In many applications, the spatial distribution of a field needs to be
carefully monitored to detect spikes, discontinuities or dangerous
heterogeneities, but invasive monitoring approaches cannot be used. Besides,
technical specifications about the process might not be available by preventing
the adoption of an accurate model of the system. In this work, a
physics-informed, data-driven algorithm that allows addressing these
requirements is presented. The approach is based on the implementation of a
boundary element method (BEM)-scheme within a convolutional neural network.
Thanks to the capability of representing any continuous mathematical function
with a reduced number of parameters, the network allows predicting the field
value in any point of the domain, given the boundary conditions and few
measurements within the domain. The proposed approach was applied to
reconstruct a field described by the Helmholtz equation over a
three-dimensional domain. A sensitivity analysis was also performed by
investigating different physical conditions and different network
configurations. Since the only assumption is the applicability of BEM, the
current approach can be applied to the monitoring of a wide range of processes,
from the localization of the source of pollutant within a water reservoir to
the monitoring of the neutron flux in a nuclear reactor.
- Abstract（参考訳）: この作品はieeeに提出され、出版される可能性がある。
著作権は通知なしで転送され、その後、このバージョンはアクセスできなくなる。
多くの応用において、領域の空間分布はスパイク、不連続、危険な異質性を検出するために注意深く監視される必要があるが、侵襲的監視アプローチは使用できない。
さらに、システムの正確なモデルの採用を防止することで、プロセスに関する技術的な仕様は利用できないかもしれない。
本研究では,これらの要求に対処可能な物理インフォームドデータ駆動アルゴリズムを提案する。
この手法は畳み込みニューラルネットワークにおける境界要素法(BEM)スキームの実装に基づいている。
連続的な数学的関数をパラメータの少ない数で表現する能力により、ネットワークは境界条件と領域内の測定値の少ない領域の任意の点におけるフィールド値を予測することができる。
ヘルムホルツ方程式が3次元領域上で記述した場を再構成するために,提案手法を適用した。
また,異なる物理的条件と異なるネットワーク構成を調査して感度解析を行った。
唯一の仮定はbemの適用性であるため、現在のアプローチは、水貯水池内の汚染物質源の局在から原子炉内の中性子フラックスの監視まで、幅広いプロセスの監視に適用することができる。
関連論文リスト
- Physically Interpretable Probabilistic Domain Characterization [8.172011940111874]
本稿では,領域を確率分布として特徴付ける手法を提案する。
特に,車載カメラで撮影した画像から,異なる気象条件の確率を予測する手法を開発した。
提案手法を検証するため,自動運転車のコンテキスト内で実験を行う。
論文 参考訳（メタデータ） (2024-11-22T10:07:02Z) - BANF: Band-limited Neural Fields for Levels of Detail Reconstruction [28.95113960996025]
簡単な修正により、低域通過フィルタのニューラルネットワークが得られることを示すとともに、これをどのように利用して信号全体の周波数分解を得ることができるかを示す。
本研究では,提案手法の妥当性について検討し,粗い表現を効果的に計算する方法を示す。
論文 参考訳（メタデータ） (2024-04-19T17:39:50Z) - Robust Unsupervised Domain Adaptation by Retaining Confident Entropy via
Edge Concatenation [7.953644697658355]
教師なしのドメイン適応は、セマンティックセグメンテーションネットワークをトレーニングするための広範なピクセルレベルのアノテーションの必要性を軽減することができる。
本稿では,エントロピーに基づく対向ネットワーク内における内部情報と外部情報の相乗効果を利用した新しいドメイン適応手法を提案する。
我々は、より効果的なセグメンテーションのために多様な情報を統合する確率共有ネットワークを考案した。
論文 参考訳（メタデータ） (2023-10-11T02:50:16Z) - From NeurODEs to AutoencODEs: a mean-field control framework for
width-varying Neural Networks [68.8204255655161]
本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。
損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
論文 参考訳（メタデータ） (2023-07-05T13:26:17Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - RecFNO: a resolution-invariant flow and heat field reconstruction method
from sparse observations via Fourier neural operator [8.986743262828009]
本稿では,RecFNOという優れた性能とメッシュ転送性を備えたエンド・ツー・エンドの物理場再構成手法を提案する。
提案手法は, スパース観測から無限次元空間における流れと熱場への写像を学習することを目的としている。
流体力学および熱力学に関する実験により,提案手法は既存のPOD法およびCNN法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-02-20T07:20:22Z) - Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。
本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
論文 参考訳（メタデータ） (2022-03-11T01:12:00Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳（メタデータ） (2022-02-23T18:57:53Z) - 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) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。