論文の概要: Joint calibration and mapping of satellite altimetry data using trainable variational models

• arxiv url: http://arxiv.org/abs/2110.03405v1
• Date: Thu, 7 Oct 2021 12:48:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-09 00:25:42.317890
• Title: Joint calibration and mapping of satellite altimetry data using trainable variational models
• Title（参考訳）: 訓練可能な変動モデルを用いた衛星高度データの共同校正とマッピング
• Authors: Quentin Febvre, Ronan Fablet, Julien Le Sommer, Cl\'ement Ubelmann
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.506463422216017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Satellite radar altimeters are a key source of observation of ocean surface dynamics. However, current sensor technology and mapping techniques do not yet allow to systematically resolve scales smaller than 100km. With their new sensors, upcoming wide-swath altimeter missions such as SWOT should help resolve finer scales. Current mapping techniques rely on the quality of the input data, which is why the raw data go through multiple preprocessing stages before being used. Those calibration stages are improved and refined over many years and represent a challenge when a new type of sensor start acquiring data. Here we show how a data-driven variational data assimilation framework could be used to jointly learn a calibration operator and an interpolator from non-calibrated data . The proposed framework significantly outperforms the operational state-of-the-art mapping pipeline and truly benefits from wide-swath data to resolve finer scales on the global map as well as in the SWOT sensor geometry.
• Abstract（参考訳）: 衛星レーダ高度計は、海洋表面のダイナミクスを観測する重要な源である。 しかし、現在のセンサー技術とマッピング技術では、100km未満のスケールを体系的に解決することはできない。 新しいセンサーによって、SWOTのような大型の高度計のミッションは、より微細なスケールの解決に役立つだろう。 現在のマッピング技術は、入力データの品質に依存しているため、生データは使用前に複数の前処理段階を通過する。 これらのキャリブレーション段階は、長年にわたって改善され、洗練され、新しいタイプのセンサーがデータを取得し始めると課題となる。 本稿では,データ駆動型変分データ同化フレームワークを用いて,非校正データから校正演算子と補間器を共同学習する方法を示す。 提案するフレームワークは,SWOTセンサの形状だけでなく,グローバルマップ上の細かなスケールを解消するために,最先端のマッピングパイプラインと広帯域データの真に優れている。

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)
• Global Scale Self-Supervised Channel Charting with Sensor Fusion [18.342892157962563]
  そこで本研究では,TRP(Transfer Reception Points)の到着時刻と位置を考慮に入れた新しいチャネルチャート化手法を提案する。 提案アルゴリズムは, 幾何モデルやユーザ位置の真理を必要とせず, 訓練および試験段階において自己監督されたままである。 シミュレーションの結果、我々のアルゴリズムの90%を用いて、サブメーターレベルのローカライズ精度の達成を検証した。
  論文  参考訳（メタデータ） (2024-05-07T14:33:45Z)
• Surrogate Modeling of Trajectory Map-matching in Urban Road Networks using Transformer Sequence-to-Sequence Model [1.3812010983144802]
  本稿では、オフラインマップマッチングアルゴリズムのサロゲートとして機能するディープラーニングモデル、特にトランスフォーマーベースのエンコーダデコーダモデルを提案する。 このモデルは、ニューヨーク州マンハッタンで収集されたGPSトレースを使って訓練され、評価されている。
  論文  参考訳（メタデータ） (2024-04-18T18:39:23Z)
• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• 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)
• Learning to Detect Fortified Areas [0.0]
  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。
  論文  参考訳（メタデータ） (2021-05-26T08:03:42Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。