論文の概要: A Frequency-Velocity CNN for Developing Near-Surface 2D Vs Images from
Linear-Array, Active-Source Wavefield Measurements
- arxiv url: http://arxiv.org/abs/2207.09580v1
- Date: Tue, 19 Jul 2022 22:48:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 14:27:27.400585
- Title: A Frequency-Velocity CNN for Developing Near-Surface 2D Vs Images from
Linear-Array, Active-Source Wavefield Measurements
- Title（参考訳）: リニアアレイ・アクティブ音源波動場計測による近接面2次元Vs画像の周波数速度CNN
- Authors: Aser Abbas (1), Joseph P. Vantassel (2), Brady R. Cox (1), Krishna
Kumar (3), Jodie Crocker (3) ((1) Utah State University, (2) Virginia Tech,
(3) The University of Texas at Austin)
- Abstract要約: 地中物質を高速かつ非侵襲的に2次元せん断波速度(Vs)画像化するための周波数速度畳み込みニューラルネットワーク(CNN)を提案する。
周波数-速度領域で操作することで、線形アレイ、アクティブソースの実験的な設定で大きな柔軟性が得られる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a frequency-velocity convolutional neural network (CNN)
for rapid, non-invasive 2D shear wave velocity (Vs) imaging of near-surface
geo-materials. Operating in the frequency-velocity domain allows for
significant flexibility in the linear-array, active-source experimental testing
configurations used for generating the CNN input, which are normalized
dispersion images. Unlike wavefield images, normalized dispersion images are
relatively insensitive to the experimental testing configuration, accommodating
various source types, source offsets, numbers of receivers, and receiver
spacings. We demonstrate the effectiveness of the frequency-velocity CNN by
applying it to a classic near-surface geophysics problem, namely, imaging a
two-layer, undulating, soil-over-bedrock interface. This problem was recently
investigated in our group by developing a time-distance CNN, which showed great
promise but lacked flexibility in utilizing different field-testing
configurations. Herein, the new frequency-velocity CNN is shown to have
comparable accuracy to the time-distance CNN while providing greater
flexibility to handle varied field applications. The frequency-velocity CNN was
trained, validated, and tested using 100,000 synthetic near-surface models. The
ability of the proposed frequency-velocity CNN to generalize across various
acquisition configurations is first tested using synthetic near-surface models
with different acquisition configurations from that of the training set, and
then applied to experimental field data collected at the Hornsby Bend site in
Austin, Texas, USA. When fully developed for a wider range of geological
conditions, the proposed CNN may ultimately be used as a rapid, end-to-end
alternative for current pseudo-2D surface wave imaging techniques or to develop
starting models for full waveform inversion.
- Abstract（参考訳）: 地中物質を高速かつ非侵襲的に2次元せん断波速度(Vs)画像化するための周波数速度畳み込みニューラルネットワーク(CNN)を提案する。
周波数速度領域での動作は、正規化分散画像であるCNN入力を生成するために使用される線形アレイ、アクティブソースの実験的な構成において、大きな柔軟性を実現する。
波動場画像とは異なり、正規化分散画像は実験的な試験構成に比較的敏感であり、様々なソースタイプ、ソースオフセット、受信機数、受信機間隔を調節する。
本研究では, 従来の地表面物理問題, すなわち, 地層・地層・地層・岩盤界面を撮像することで, 周波数速度CNNの有効性を実証する。
この問題は,最近,様々なフィールドテスト構成を活用できる柔軟性に欠ける有望な時間距離cnnの開発により検討された。
ここでは、新しい周波数速度CNNが時間距離CNNに匹敵する精度を示し、様々なフィールドアプリケーションを扱うための柔軟性を提供する。
周波数速度cnnは、10万個の合成表面近傍モデルを用いて訓練、検証、テストされた。
提案した周波数速度CNNの様々な取得構成を一般化する能力は、まずトレーニングセットと異なる取得構成を持つ合成準曲面モデルを用いて試験され、その後テキサス州オースチンのHornsby Bendサイトで収集された実験データに適用される。
広範にわたる地質条件のために完全に開発された場合、提案されたcnnは、現在の擬似-2d表面波イメージング技術の迅速かつエンドツーエンドな代替として、あるいは完全な波形反転の開始モデルを開発するために、最終的に使用される可能性がある。
関連論文リスト
- KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。
本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。
実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文 参考訳（メタデータ） (2022-10-26T15:21:39Z) - Testing predictions of representation cost theory with CNNs [5.816527700115096]
我々は、訓練された畳み込みニューラルネットワーク(CNN)が周波数の異なる信号に対して異なる感度を持つことを示す。
これは自然画像の周波数分布の結果であり、その電力の大部分は低中間周波数に集中していることが知られている。
論文 参考訳（メタデータ） (2022-10-03T22:35:43Z) - Classification of diffraction patterns using a convolutional neural
network in single particle imaging experiments performed at X-ray
free-electron lasers [53.65540150901678]
X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。
再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。
本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
論文 参考訳（メタデータ） (2021-12-16T17:03:14Z) - PINNup: Robust neural network wavefield solutions using frequency
upscaling and neuron splitting [0.0]
本稿では,周波数アップスケーリングとニューロン分割を用いた新しいPINNの実装を提案する。
提案したPINNは収束と精度において顕著な優位性を示す。
2層モデルでニューロンベースの高周波波動場解が得られる。
論文 参考訳（メタデータ） (2021-09-29T16:35:50Z) - OSLO: On-the-Sphere Learning for Omnidirectional images and its
application to 360-degree image compression [59.58879331876508]
全方向画像の表現モデルの学習について検討し、全方向画像の深層学習モデルで使用される数学的ツールを再定義するために、HEALPixの球面一様サンプリングの特性を利用することを提案する。
提案したオン・ザ・スフィア・ソリューションは、等方形画像に適用された類似の学習モデルと比較して、13.7%のビットレートを節約できる圧縮ゲインを向上させる。
論文 参考訳（メタデータ） (2021-07-19T22:14:30Z) - A Closer Look at Fourier Spectrum Discrepancies for CNN-generated Images
Detection [37.021565597271795]
CNNベースの生成モデリングは、RGBピクセル空間の実際の画像から区別できない合成画像を生成するために進化しました。
最近の研究では、cnnが生成する画像は、高周波フーリエスペクトル減衰特性を複製する体系的な欠点を共有している。
これらの研究は、CNNが生成した画像を99%の精度で検出するために、この体系的な欠点をうまく利用した。
論文 参考訳（メタデータ） (2021-03-31T16:24:54Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - The use of Convolutional Neural Networks for signal-background
classification in Particle Physics experiments [0.4301924025274017]
広範に畳み込み型ニューラルアーキテクチャ探索を行い,HEP分類のための信号/背景識別を高精度に行う。
パラメータが少ないCNNで複雑なResNetアーキテクチャと同じ精度を実現できることを示す。
論文 参考訳（メタデータ） (2020-02-13T19:54:46Z) - Core-Collapse Supernova Gravitational-Wave Search and Deep Learning
Classification [0.0]
核崩壊超新星爆発によって放出される重力波の探索と分類について述べる。
入力には時系列重力波データを用いた1次元CNN探索と、入力としてデータの時間周波数表現を用いた2次元CNN探索の両方を用いる。
1次元CNNパイプラインと2次元CNNパイプラインの分類精度は95%以上である。
論文 参考訳（メタデータ） (2020-01-01T23:32:55Z)
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。