論文の概要: Deriving Surface Resistivity from Polarimetric SAR Data Using Dual-Input UNet

• arxiv url: http://arxiv.org/abs/2207.01811v1
• Date: Tue, 5 Jul 2022 05:10:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 02:25:10.788870
• Title: Deriving Surface Resistivity from Polarimetric SAR Data Using Dual-Input UNet
• Title（参考訳）: デュアル入力UNetを用いたポラリメトリックSARデータからの表面比抵抗の導出
• Authors: Bibin Wilson, Rajiv Kumar, Narayanarao Bhogapurapu, Anand Singh and Amit Sethi
• Abstract要約: 本研究では, 各種深層学習手法を適用し, 表面比抵抗と合成開口レーダ(SAR)の相関性について検討した。 比抵抗を検出するために、UAVSARが取得したLバンドフル偏光SARデータを使用した。 我々は,様々なディープラーニングアーキテクチャの比較実験を行い,Dual Input UNet(DI-UNet)アーキテクチャの利用を提案する。
• 参考スコア（独自算出の注目度）: 3.3783042618421586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional survey methods for finding surface resistivity are time-consuming and labor intensive. Very few studies have focused on finding the resistivity/conductivity using remote sensing data and deep learning techniques. In this line of work, we assessed the correlation between surface resistivity and Synthetic Aperture Radar (SAR) by applying various deep learning methods and tested our hypothesis in the Coso Geothermal Area, USA. For detecting the resistivity, L-band full polarimetric SAR data acquired by UAVSAR were used, and MT (Magnetotellurics) inverted resistivity data of the area were used as the ground truth. We conducted experiments to compare various deep learning architectures and suggest the use of Dual Input UNet (DI-UNet) architecture. DI-UNet uses a deep learning architecture to predict the resistivity using full polarimetric SAR data by promising a quick survey addition to the traditional method. Our proposed approach accomplished improved outcomes for the mapping of MT resistivity from SAR data.
• Abstract（参考訳）: 表面比抵抗を求める伝統的な調査方法は、時間消費と労働集約である。 リモートセンシングデータとディープラーニング技術を用いた比抵抗/導電率の発見に焦点を当てた研究はほとんどない。 本研究では, 種々の深部学習手法を適用し, 表面比抵抗と合成開口レーダ(SAR)の相関性を評価し, コーソ地熱地域での仮説を検証した。 比抵抗の検出には、uavsarが取得したlバンドフルポラリメトリックsarデータを用い、その地域のmt(magnetotellurics)逆比抵抗データを用いた。 我々は,様々なディープラーニングアーキテクチャの比較実験を行い,Dual Input UNet(DI-UNet)アーキテクチャの利用を提案する。 DI-UNetはディープラーニングアーキテクチャを用いて、従来の手法に簡単なサーベイを追加することを約束して、完全な偏光SARデータを用いて比抵抗を予測する。 提案手法は,SARデータからMT比抵抗のマッピング結果を改善した。

関連論文リスト

• Machine learned reconstruction of tsunami dynamics from sparse observations [0.0]
  本研究では, 津波波のフルフィールド表面高さ測定を行うために, スパースセンシング応用のためのトランスフォーマーニューラルネットワークを用いた。 我々は,USGSの過去の地震記録に対応する震源となる8つの津波シミュレーションからなるデータセット上でモデルを訓練する。 その結果, センサの少なくともいくつかが非ゼロ信号を得た場合, 真の磁場からの微細な位相と振幅特性の顕著な分解能が得られた。
  論文  参考訳（メタデータ） (2024-11-20T00:42:40Z)
• DiffSR: Learning Radar Reflectivity Synthesis via Diffusion Model from Satellite Observations [42.635670495018964]
  我々はDiffSRと呼ばれる2段階拡散法を提案し、高周波の詳細と高値領域を生成する。 提案手法は, 最新技術(SOTA)の成果を達成し, 高周波の細部と高値領域を生成できることを実証する。
  論文  参考訳（メタデータ） (2024-11-11T04:50:34Z)
• Enhancing Deep Learning based RMT Data Inversion using Gaussian Random Field [8.730845996892551]
  本稿では, DLを用いた電波恒星データのインバージョン手法を提案する。 ネットワークの一般化能力は、アウト・オブ・ディストリビューション・データセットでテストされた。 本手法は,インド・ロルキー近郊の廃棄物処分場からの例証フィールドデータを用いて検証した。
  論文  参考訳（メタデータ） (2024-10-22T19:47:30Z)
• Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
  様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。 まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。 大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-05T17:55:33Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Self-supervised Contrastive Learning for Volcanic Unrest Detection [4.152165675786138]
  InSAR(Interferometric Synthetic Aperture Radar)データから測定した地盤変形は,火山活動の兆候と考えられる。 近年の研究では, 火山の変形信号の検出にSentinel-1 InSARデータと教師付き深層学習(DL)手法を用いることの可能性が示されている。 本稿では,ラベルのないInSARデータに隠された高品質な視覚表現を学習するために,自己教師付きコントラスト学習を用いることを提案する。
  論文  参考訳（メタデータ） (2022-02-08T17:54:51Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Ensemble and Random Collaborative Representation-Based Anomaly Detector for Hyperspectral Imagery [133.83048723991462]
  ハイパースペクトル異常検出(HAD)のための新しいアンサンブルおよびランダム共同表現型検出器(ERCRD)を提案する。 4つの実超スペクトルデータセットを用いた実験により,提案手法の精度と効率を10段階法と比較した。
  論文  参考訳（メタデータ） (2021-01-06T11:23:51Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
  本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。 レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。 実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
  論文  参考訳（メタデータ） (2020-09-30T19:01:33Z)
• Deep Learning Meets SAR [27.996959802587998]
  リモートセンシングにおける深層学習は国際的な誇大広告となっているが、主に光学データの評価に限られている。 深層学習はSAR(Synthetic Aperture Radar)データ処理で導入されているが、最初の試みが成功したにもかかわらず、その大きな可能性はまだロックされていない。
  論文  参考訳（メタデータ） (2020-06-17T17:46:36Z)

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。