論文の概要: Successful Recovery of an Observed Meteorite Fall Using Drones and Machine Learning

• arxiv url: http://arxiv.org/abs/2203.01466v1
• Date: Thu, 3 Mar 2022 00:33:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-05 09:40:10.377044
• Title: Successful Recovery of an Observed Meteorite Fall Using Drones and Machine Learning
• Title（参考訳）: 観測された隕石落下のドローンと機械学習による回復
• Authors: Seamus L. Anderson, Martin C. Towner, John Fairweather, Philip A. Bland, Hadrien A. R. Devillepoix, Eleanor K. Sansom, Martin Cupak, Patrick M. Shober, Gretchen K. Benedix
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We report the first-time recovery of a fresh meteorite fall using a drone and a machine learning algorithm. A fireball on the 1st April 2021 was observed over Western Australia by the Desert Fireball Network, for which a fall area was calculated for the predicted surviving mass. A search team arrived on site and surveyed 5.1 km2 area over a 4-day period. A convolutional neural network, trained on previously-recovered meteorites with fusion crusts, processed the images on our field computer after each flight. meteorite candidates identified by the algorithm were sorted by team members using two user interfaces to eliminate false positives. Surviving candidates were revisited with a smaller drone, and imaged in higher resolution, before being eliminated or finally being visited in-person. The 70 g meteorite was recovered within 50 m of the calculated fall line using, demonstrating the effectiveness of this methodology which will facilitate the efficient collection of many more observed meteorite falls.
• Abstract（参考訳）: ドローンと機械学習アルゴリズムを用いて,新しい隕石落下を初めて回収したことを報告した。 2021年4月1日の火球は、砂漠の火球ネットワークによって西オーストラリアで観測され、予測された残存質量に対して落下面積が計算された。 捜索隊が現場に到着し、4日間で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、飛行毎にフィールドコンピュータで画像を処理しました。 アルゴリズムによって特定された隕石候補は、2つのユーザーインターフェースを使用してチームメンバーによってソートされ、偽陽性を排除した。 生き残った候補者は小型ドローンで再訪し、より高い解像度で撮影された後、排除されたり、最終的に対面で訪問されたりした。 70gの隕石は、計算された落下線から50m以内に回収され、多くの観測された隕石の落下の効率的な収集を容易にするこの方法の有効性が実証された。

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)
• 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)
• AZTR: Aerial Video Action Recognition with Auto Zoom and Temporal Reasoning [63.628195002143734]
  本稿では,空中映像の行動認識のための新しい手法を提案する。 提案手法は,UAVを用いて撮影したビデオに対して設計されており,エッジやモバイルデバイス上でも動作可能である。 我々は、カスタマイズされたオートズームを使用して、人間のターゲットを自動的に識別し、適切にスケールする学習ベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-02T21:24:19Z)
• Neural Scene Representation for Locomotion on Structured Terrain [56.48607865960868]
  本研究では,都市環境を横断する移動ロボットの局所的な地形を再構築する学習手法を提案する。 搭載されたカメラとロボットの軌道からの深度測定のストリームを用いて、ロボットの近傍の地形を推定する。 ノイズ測定とカメラ配置の盲点からの大量の欠落データにもかかわらず,シーンを忠実に再構築する3次元再構成モデルを提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:45:17Z)
• Recovery of Meteorites Using an Autonomous Drone and Machine Learning [3.3563930847025025]
  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。
  論文  参考訳（メタデータ） (2021-06-11T17:36:33Z)
• 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)
• Monitoring the Impacts of a Tailings Dam Failure Using Satellite Images [0.0]
  2019年1月25日、ブラジルのブルマディンホにあるC'orrego do Feijao鉄鉱石鉱山の尾化ダムが倒壊した。 本研究は, セチネル2衛星画像を用いて, 浸水地域をマッピングし, ダム崩壊による土地利用状況と土地被覆状況を評価する。
  論文  参考訳（メタデータ） (2021-01-30T11:35:47Z)
• 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)
• MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
  本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。 最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。 第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
  論文  参考訳（メタデータ） (2020-06-30T02:23:05Z)

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。