論文の概要: High-Resolution Bathymetric Reconstruction From Sidescan Sonar With Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2206.07810v1
• Date: Wed, 15 Jun 2022 20:46:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 15:46:18.310917
• Title: High-Resolution Bathymetric Reconstruction From Sidescan Sonar With Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いたサイドスキャンソナーからの高分解能ベーシメトリック再構成
• Authors: Yiping Xie, Nils Bore and John Folkesson
• Abstract要約: 本研究では,サイドカンからの高分解能水度再構成のための新しいデータ駆動手法を提案する。 我々は、畳み込みネットワークを用いて、サイドカン画像とスパース深度から深度輪郭とその平均不確かさを推定する。 ニューラルネットワークから深度予測とそれに対応する信頼度を融合した後、高品質な水度マップを再構築することができる。
• 参考スコア（独自算出の注目度）: 3.2872586139884623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel data-driven approach for high-resolution bathymetric reconstruction from sidescan. Sidescan sonar (SSS) intensities as a function of range do contain some information about the slope of the seabed. However, that information must be inferred. Additionally, the navigation system provides the estimated trajectory, and normally the altitude along this trajectory is also available. From these we obtain a very coarse seabed bathymetry as an input. This is then combined with the indirect but high-resolution seabed slope information from the sidescan to estimate the full bathymetry. This sparse depth could be acquired by single-beam echo sounder, Doppler Velocity Log (DVL), other bottom tracking sensors or bottom tracking algorithm from sidescan itself. In our work, a fully convolutional network is used to estimate the depth contour and its aleatoric uncertainty from the sidescan images and sparse depth in an end-to-end fashion. The estimated depth is then used together with the range to calculate the point's 3D location on the seafloor. A high-quality bathymetric map can be reconstructed after fusing the depth predictions and the corresponding confidence measures from the neural networks. We show the improvement of the bathymetric map gained by using sparse depths with sidescan over estimates with sidescan alone. We also show the benefit of confidence weighting when fusing multiple bathymetric estimates into a single map.
• Abstract（参考訳）: 本研究では,サイドカンからの高分解能水度再構成のための新しいデータ駆動手法を提案する。 射程関数としてのsidescan sonar (sss)の強度は、海底の斜面に関する情報を含んでいる。 しかし、その情報は推測されなければならない。 さらに、ナビゲーションシステムは推定軌道を提供しており、通常はこの軌道に沿った高度も利用できる。 これらから、入力として非常に粗い海底浴測定値を得る。 そして、サイドスキャンからの間接的かつ高解像度の海底傾斜情報と組み合わせて、全入浴率を推定する。 このスパース深度は、単ビームエコーサウンド、ドップラー速度ログ(DVL)、その他のボトムトラッキングセンサー、またはサイドカン自体からのボトムトラッキングアルゴリズムによって取得できる。 本研究では, 側方画像からの深度輪郭とアレタリック不確かさを, 端から端までの距離で推定するために, 完全畳み込みネットワークを用いた。 推定深度は、海底上の点の3D位置を計算するために、範囲と共に使用される。 ニューラルネットワークからの深さ予測と対応する信頼度尺度を融合して、高品質のバスメータマップを再構築することができる。 本研究では,サイドスキャンのみを用いた推定よりも,サイドスキャンを用いた疎水深を用いたバスメータマップの改善を示す。 また,複数のバスメトリック推定を1つのマップに融合する場合,信頼度重み付けの利点を示す。

関連論文リスト

• DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
  ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。 まず,事前学習した単眼深度特徴を生かして,頑健な多眼深度モデルを提案する。 また,ガウス的スプラッティングは教師なし事前学習の目的として機能することを示す。
  論文  参考訳（メタデータ） (2024-10-17T17:59:58Z)
• Temporal Lidar Depth Completion [0.08192907805418582]
  PENetは, 再発の恩恵を受けるために, 最新の手法であるPENetをどう修正するかを示す。 提案アルゴリズムは,KITTI深度補完データセットの最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-06-17T08:25:31Z)
• Monocular Visual-Inertial Depth Estimation [66.71452943981558]
  単眼深度推定と視覚慣性計測を統合した視覚慣性深度推定パイプラインを提案する。 提案手法は, 疎度度に対する大域的スケールとシフトアライメントを行い, 続いて学習に基づく高密度アライメントを行う。 本研究では,TartanAir と VOID のデータセットを用いて,密集したスケールアライメントによるRMSE の最大30%の削減を観測した。
  論文  参考訳（メタデータ） (2023-03-21T18:47:34Z)
• Neural Network Normal Estimation and Bathymetry Reconstruction from Sidescan Sonar [3.2872586139884623]
  入射型ニューラル表現学習は、最近、そのような最適化フレームワークでバスメトリックマップを表現するために提案されている。 本稿では、ニューラルネットワークを用いて地図を表現し、高度点の制約の下で最適化し、サイドカンから推定表面を推定する。 本研究では, サイドスキャンデータを用いて, 高品質なバスメータを再構築することにより, アプローチの効率性とスケーラビリティを実証する。
  論文  参考訳（メタデータ） (2022-06-15T21:12:17Z)
• Depth Completion using Plane-Residual Representation [84.63079529738924]
  深度情報を最も近い深度平面ラベル$p$と残値$r$で解釈する新しい方法を紹介し,これをPlane-Residual (PR)表現と呼ぶ。 PR表現で深度情報を解釈し,それに対応する深度補完網を用いて,高速な計算により深度補完性能を向上させることができた。
  論文  参考訳（メタデータ） (2021-04-15T10:17:53Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)
• Efficient Depth Completion Using Learned Bases [94.0808155168311]
  深度補正のための新しい大域的幾何制約を提案する。 低次元部分空間上によく配置される深さ写像を仮定することにより、高密度深度写像は全解像度の主深度基底の重み付け和で近似することができる。
  論文  参考訳（メタデータ） (2020-12-02T11:57:37Z)
• Attention Aware Cost Volume Pyramid Based Multi-view Stereo Network for 3D Reconstruction [12.728154351588053]
  マルチビュー画像から3次元再構成を行うための効率的なマルチビューステレオ(MVS)ネットワークを提案する。 高分解能深度を実現するために粗粒度深度推論戦略を導入する。
  論文  参考訳（メタデータ） (2020-11-25T13:34:11Z)
• Deep Multi-view Depth Estimation with Predicted Uncertainty [11.012201499666503]
  我々は、高密度光フローネットワークを用いて対応を計算し、点雲を三角測量して初期深度マップを得る。 三角測量の精度をさらに高めるため,画像の文脈に基づく初期深度マップを最適化する深度補正ネットワーク(DRN)を導入する。
  論文  参考訳（メタデータ） (2020-11-19T00:22:09Z)
• Occlusion-Aware Depth Estimation with Adaptive Normal Constraints [85.44842683936471]
  カラービデオから多フレーム深度を推定する新しい学習手法を提案する。 本手法は深度推定精度において最先端の手法より優れる。
  論文  参考訳（メタデータ） (2020-04-02T07:10:45Z)

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。