論文の概要: Measuring the rogue wave pattern triggered from Gaussian perturbations by deep learning

• arxiv url: http://arxiv.org/abs/2109.08909v1
• Date: Sat, 18 Sep 2021 11:39:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:01:36.013537
• Title: Measuring the rogue wave pattern triggered from Gaussian perturbations by deep learning
• Title（参考訳）: 深層学習によるガウス摂動から引き起こされるローグ波パターンの測定
• Authors: Liwen Zou, XinHang Luo, Delu Zeng, Liming Ling, Li-Chen Zhao
• Abstract要約: 画像上のローグ波を自動的にかつ正確に検出するRogue Wave Detection Network (RWD-Net) モデルを提案する。 検出実験では、RWD-$10$Kデータセットのテスト分割の平均精度が99.29%である。
• 参考スコア（独自算出の注目度）: 4.15634608295627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weak Gaussian perturbations on a plane wave background could trigger lots of rogue waves, due to modulational instability. Numerical simulations showed that these rogue waves seemed to have similar unit structure. However, to the best of our knowledge, there is no relative result to prove that these rogue waves have the similar patterns for different perturbations, partly due to that it is hard to measure the rogue wave pattern automatically. In this work, we address these problems from the perspective of computer vision via using deep neural networks. We propose a Rogue Wave Detection Network (RWD-Net) model to automatically and accurately detect RWs on the images, which directly indicates they have the similar computer vision patterns. For this purpose, we herein meanwhile have designed the related dataset, termed as Rogue Wave Dataset-$10$K (RWD-$10$K), which has $10,191$ RW images with bounding box annotations for each RW unit. In our detection experiments, we get $99.29\%$ average precision on the test splits of the RWD-$10$K dataset. Finally, we derive our novel metric, the density of RW units (DRW), to characterize the evolution of Gaussian perturbations and obtain the statistical results on them.
• Abstract（参考訳）: 平面波背景上の弱いガウス摂動は、変調不安定性のために多くのローグ波を引き起こす可能性がある。 数値シミュレーションにより、これらのローグ波は同様の単位構造を持つように見えた。 しかしながら、我々の知る限りでは、これらのローグ波が異なる摂動に対して同様のパターンを持つことを証明する相対的な結果は存在せず、ローグ波パターンを自動的に測定することは困難である。 本研究では,深層ニューラルネットワークを用いて,コンピュータビジョンの観点からこれらの問題に対処する。 本稿では,画像上のrwを自動的かつ正確に検出するrogue wave detection network(rwd-net)モデルを提案する。 この目的のために、我々はRogue Wave Dataset-$10$K (RWD-$10$K)と呼ばれる関連するデータセットを設計した。 検出実験では、RWD-$10$Kデータセットのテスト分割の平均精度が99.29\%である。 最後に、ガウス摂動の進化を特徴付けるため、我々の新しい計量、RW単位密度(DRW)を導出し、それらの統計的結果を得る。

関連論文リスト

• Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
  テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。 本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。 本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
  論文  参考訳（メタデータ） (2025-02-20T14:37:53Z)
• Unsupervised Learning Approach to Anomaly Detection in Gravitational Wave Data [0.0]
  本稿では,変分オートエンコーダ(VAE)を用いた教師なし異常検出手法を提案し,重力波(GW)データを解析する。 VAEはGW信号などの異常信号の再構成に失敗しながらノイズ入力を正確に再構成する。 この研究は、VAEをGWデータ中の異常を識別するための堅牢で教師なしのアプローチとして紹介し、物理学における既知の新しい現象を検知するためのスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-11-29T03:18:40Z)
• Adaptive LPD Radar Waveform Design with Generative Deep Learning [6.21540494241516]
  本稿では,検出レーダ波形の低確率を適応的に生成する新しい学習手法を提案する。 提案手法では,検出可能性の最大90%を低減できるLPD波形を生成できると同時に,アンビグニティ関数(センシング)特性も向上する。
  論文  参考訳（メタデータ） (2024-03-18T21:07:57Z)
• NeoSySPArtaN: A Neuro-Symbolic Spin Prediction Architecture for higher-order multipole waveforms from eccentric Binary Black Hole mergers using Numerical Relativity [0.0]
  ニューラルネットワークのパワーとシンボリック回帰を組み合わせた新しいニューロシンボリックアーキテクチャ(NSA)を提案する。 以上の結果から,合併におけるスピン大小予測のための頑健かつ解釈可能な枠組みが得られた。
  論文  参考訳（メタデータ） (2023-07-20T16:30:51Z)
• Wasserstein distributional robustness of neural networks [9.79503506460041]
  ディープニューラルネットワークは敵攻撃(AA)に弱いことが知られている 画像認識タスクでは、元の小さな摂動によって画像が誤分類される可能性がある。 本稿では,Wassersteinの分散ロバスト最適化(DRO)技術を用いて問題を再検討し,新しいコントリビューションを得た。
  論文  参考訳（メタデータ） (2023-06-16T13:41:24Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。 CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
  論文  参考訳（メタデータ） (2022-11-17T13:01:26Z)
• Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss [111.8807588392563]
  境界不連続性と最終検出基準の不整合性は, 回転検出回帰損失設計のボトルネックとなっている。 本稿では,ガウス・ワッサーシュタイン距離に基づく新しい回帰損失を,この問題に対する基本的なアプローチとして提案する。
  論文  参考訳（メタデータ） (2021-01-28T12:04:35Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
  我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。 この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-22T16:43:35Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。