論文の概要: Neural Network Normal Estimation and Bathymetry Reconstruction from Sidescan Sonar

• arxiv url: http://arxiv.org/abs/2206.07819v1
• Date: Wed, 15 Jun 2022 21:12:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 15:45:52.916079
• Title: Neural Network Normal Estimation and Bathymetry Reconstruction from Sidescan Sonar
• Title（参考訳）: サイドスキャンソナーからのニューラルネットワーク正規化とベースメトリー再構成
• Authors: Yiping Xie, Nils Bore and John Folkesson
• Abstract要約: 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。
• 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: Sidescan sonar intensity encodes information about the changes of surface normal of the seabed. However, other factors such as seabed geometry as well as its material composition also affect the return intensity. One can model these intensity changes in a forward direction from the surface normals from bathymetric map and physical properties to the measured intensity or alternatively one can use an inverse model which starts from the intensities and models the surface normals. Here we use an inverse model which leverages deep learning's ability to learn from data; a convolutional neural network is used to estimate the surface normal from the sidescan. Thus the internal properties of the seabed are only implicitly learned. Once this information is estimated, a bathymetric map can be reconstructed through an optimization framework that also includes altimeter readings to provide a sparse depth profile as a constraint. Implicit neural representation learning was recently proposed to represent the bathymetric map in such an optimization framework. In this article, we use a neural network to represent the map and optimize it under constraints of altimeter points and estimated surface normal from sidescan. By fusing multiple observations from different angles from several sidescan lines, the estimated results are improved through optimization. We demonstrate the efficiency and scalability of the approach by reconstructing a high-quality bathymetry using sidescan data from a large sidescan survey. We compare the proposed data-driven inverse model approach of modeling a sidescan with a forward Lambertian model. We assess the quality of each reconstruction by comparing it with data constructed from a multibeam sensor. We are thus able to discuss the strengths and weaknesses of each approach.
• Abstract（参考訳）: サイドスキャンソナー強度は海底の表面の正常な変化に関する情報を符号化する。 しかし, 海底形状, 材料組成など他の要因も回帰強度に影響を及ぼす。 これらの強度変化を、バスメータマップや物理的性質から測定された強度まで表面正規値から前方方向にモデル化するか、あるいは、強度から始まり、表面正規値をモデル化する逆モデルを用いることができる。 ここでは、データから学習するディープラーニングの能力を活用する逆モデルを使用し、畳み込みニューラルネットワークを用いて、サイドカンから表面の正常さを推定する。 したがって、海底の内部特性は暗黙的にのみ学習される。 この情報を推定すると、高度計の読み出しも含む最適化フレームワークによって、スパース深度プロファイルを制約として再構成することができる。 このような最適化フレームワークにおいて,バティメトリックマップを表現するために,暗黙的ニューラルネットワーク表現学習が最近提案されている。 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,altimeter point の制約下で最適化し,sidescan による推定面正規化を行う。 複数のサイドスキャン線から異なる角度からの複数の観測結果を用いることで、推定結果が最適化により向上する。 本研究では,サイドスキャンデータを用いた高品質浴槽計測法を再構成し,その効率とスケーラビリティを実証する。 提案するデータ駆動逆モデルアプローチを,sidecan と forward lambertian モデルを比較した。 マルチビームセンサを用いて構築したデータと比較することにより,再構成の質を評価する。 これにより、それぞれのアプローチの長所と短所を議論することができます。

関連論文リスト

• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• Linear Anchored Gaussian Mixture Model for Location and Width Computations of Objects in Thick Line Shape [1.7205106391379021]
  3次元画像グレーレベル表現は、統計分布の有限混合モデルであると考えられている。 入力データとして元の画像を用いた期待最大化アルゴリズム(Algo1)を用いてモデルパラメータを推定する。 修正EMアルゴリズム(Algo2)について詳述する。
  論文  参考訳（メタデータ） (2024-04-03T20:05:00Z)
• Q-SLAM: Quadric Representations for Monocular SLAM [85.82697759049388]
  四角形のレンズを通して体積表現を再現する。 我々は、RGB入力からノイズの深い深さ推定を正すために二次仮定を用いる。 本研究では,新たな二次分割変換器を導入し,二次情報を集約する。
  論文  参考訳（メタデータ） (2024-03-12T23:27:30Z)
• Estimation of Physical Parameters of Waveforms With Neural Networks [0.8142555609235358]
  フルウェーブフォームLiDARのポテンシャルは、単なる高さ推定や3D再構成よりもはるかに大きい。 既存のLiDARデータ解析の分野では、逆モデリングによる深さ推定や対数強度の回帰、減衰係数の近似のための深さ推定などがある。 本研究では,LIDARデータ解析におけるパラメータ推定のためのニューラルネットワークに基づく新しい解を提案する。
  論文  参考訳（メタデータ） (2023-12-05T22:54:32Z)
• Estimating Neural Reflectance Field from Radiance Field using Tree Structures [29.431165709718794]
  本研究では,物体のニューラルリフレクタンス場(NReF)を,未知の照明下での多視点画像の集合から推定する手法を提案する。 NReFは3次元形状と物体の視認性を表しており、画像のみから推定することは困難である。 提案手法は,Neural Radiance Field (NeRF) をプロキシ表現として利用することでこの問題を解決し,さらに分解を行う。
  論文  参考訳（メタデータ） (2022-10-09T10:21:31Z)
• DeepWSD: Projecting Degradations in Perceptual Space to Wasserstein Distance in Deep Feature Space [67.07476542850566]
  本稿では,統計的分布の観点から知覚空間の品質劣化をモデル化する。 品質は、深い特徴領域におけるワッサーシュタイン距離に基づいて測定される。 ニューラルネットワークの特徴に基づいて実行されるディープワッサースタイン距離(ディープWSD)は、品質汚染のより良い解釈性をもたらす。
  論文  参考訳（メタデータ） (2022-08-05T02:46:12Z)
• High-Resolution Bathymetric Reconstruction From Sidescan Sonar With Deep Neural Networks [3.2872586139884623]
  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。
  論文  参考訳（メタデータ） (2022-06-15T20:46:22Z)
• Differentiable Diffusion for Dense Depth Estimation from Multi-view Images [31.941861222005603]
  深度マップへの拡散がRGB監督からの多視点再投射誤差を最小限に抑えるように、細かな点集合を最適化することにより、深度を推定する手法を提案する。 また,複雑なシーン再構成に必要な50k以上のポイントを同時に最適化できる効率的な最適化ルーチンを開発した。
  論文  参考訳（メタデータ） (2021-06-16T16:17:34Z)
• Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust Depth Prediction [87.08227378010874]
  深度予測における高次3次元幾何学的制約の重要性を示す。 単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。 The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
  論文  参考訳（メタデータ） (2021-03-07T00:08:21Z)
• GeoNet++: Iterative Geometric Neural Network with Edge-Aware Refinement for Joint Depth and Surface Normal Estimation [204.13451624763735]
  本研究では,エッジアウェア・リファインメント(GeoNet++)を用いた幾何ニューラルネットワークを提案し,単一の画像から深さと表面正規写像の両方を共同で予測する。 geonet++は、強い3d一貫性と鋭い境界を持つ深さと表面の正常を効果的に予測する。 画素単位の誤差/精度を評価することに焦点を当てた現在の測定値とは対照的に、3DGMは予測深度が高品質な3D表面の正常を再構築できるかどうかを測定する。
  論文  参考訳（メタデータ） (2020-12-13T06:48:01Z)
• DiverseDepth: Affine-invariant Depth Prediction Using Diverse Data [110.29043712400912]
  本稿では,アフィン変換に至るまでの多様なシーンにおける高品質な深度を予測できるモノクロ画像を用いた深度推定手法を提案する。 実験の結果,提案手法は,ゼロショットテスト設定と大差で8つのデータセットの先行手法より優れていた。
  論文  参考訳（メタデータ） (2020-02-03T05:38:33Z)

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。