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
- Reinforcement Learning for SAR View Angle Inversion with Differentiable
SAR Renderer [7.112962861847319]
本研究の目的は,合成開口レーダ(SAR)画像における目標モデルによるレーダー視角の反転である。
エージェントと環境との相互作用を容易にするために、微分可能SARレンダリング(DSR)という電磁シミュレータが組み込まれている。
論文 参考訳(メタデータ) (2024-01-02T11:47:58Z) - AI Powered Road Network Prediction with Multi-Modal Data [0.9426448361599084]
本研究では,低解像度衛星画像とGPSトラジェクトリデータの両方を利用する融合戦略を用いて,ディープラーニングを用いた道路自動検出のための革新的なアプローチを提案する。
我々は,早期と後期の融合戦略を厳密に検討し,異なる融合設定を用いて深層学習に基づく道路検出性能を評価する。
論文 参考訳(メタデータ) (2023-12-28T14:31:07Z) - 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) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳(メタデータ) (2021-02-05T04:26:05Z) - Robust pedestrian detection in thermal imagery using synthesized images [39.33977680993236]
熱領域における歩行者検出を2段階に分けて改善する手法を提案する。
まず、生成データ拡張アプローチを使用し、次いで、生成されたデータを用いたドメイン適応法は、RGB歩行者検出器に適応する。
我々の検出器は,最先端技術に関して,KAIST上で最高の単一モダリティ検出結果を達成する。
論文 参考訳(メタデータ) (2021-02-03T11:08:31Z) - 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。