Fugu-MT 論文翻訳(概要): Assesment of material layers in building walls using GeoRadar

論文の概要: Assesment of material layers in building walls using GeoRadar

arxiv url: http://arxiv.org/abs/2208.12064v1
Date: Thu, 25 Aug 2022 12:49:46 GMT
ステータス: 処理完了
システム内更新日: 2022-08-26 13:58:50.551559
Title: Assesment of material layers in building walls using GeoRadar
Title（参考訳）: GeoRadarを用いた建築壁の材料層評価
Authors: Ildar Gilmutdinov, Ingrid Schloegel, Alois Hinterleitner, Peter Wonka and Michael Wimmer
Abstract要約: 本稿では,GPRレーダグラムから壁の材料組成を評価するためのデータ駆動手法を提案する。我々は畳み込みニューラルネットワークを用いて層ごとの壁の厚さと誘電特性を予測する。実建物から収集したデータに基づいて,学習モデルの一般化能力を評価する。
参考スコア（独自算出の注目度）: 34.31213466236999
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Assessing the structure of a building with non-invasive methods is an important problem. One of the possible approaches is to use GeoRadar to examine wall structures by analyzing the data obtained from the scans. We propose a data-driven approach to evaluate the material composition of a wall from its GPR radargrams. In order to generate training data, we use gprMax to model the scanning process. Using simulation data, we use a convolutional neural network to predict the thicknesses and dielectric properties of walls per layer. We evaluate the generalization abilities of the trained model on data collected from real buildings.
Abstract（参考訳）: 非侵襲的な手法で建物の構造を評価することは重要な問題である。可能なアプローチの1つは、GeoRadarを使用して、スキャンから得られたデータを分析することで、壁構造を調べることである。本稿では,GPRレーダグラムから壁の材料組成を評価するためのデータ駆動手法を提案する。トレーニングデータを生成するために,gprmaxを用いてスキャニングプロセスをモデル化する。シミュレーションデータを用いて、畳み込みニューラルネットワークを用いて層ごとの壁の厚さと誘電特性を予測する。実建物から収集したデータに基づいて,訓練モデルの一般化能力を評価する。

関連論文リスト

Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文参考訳（メタデータ） (2022-12-28T18:03:41Z)
Study of Manifold Geometry using Multiscale Non-Negative Kernel Graphs [32.40622753355266]
データの幾何学的構造を研究するための枠組みを提案する。我々は最近導入された非負のカーネル回帰グラフを用いて、点密度、固有次元、およびデータ多様体(曲率)の線型性を推定する。
論文参考訳（メタデータ） (2022-10-31T17:01:17Z)
A deep scalable neural architecture for soil properties estimation from spectral information [20.981200039553144]
本稿では,高スペクトルシグネチャ解析による土壌特性予測のための適応型深層ニューラルネットワークを提案する。「成果は、他の最先端の方法と比較して、提案された解決策の有効性を確かめる」
論文参考訳（メタデータ） (2022-10-26T16:50:06Z)
CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文参考訳（メタデータ） (2022-06-09T09:17:38Z)
Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文参考訳（メタデータ） (2021-05-17T12:19:22Z)
DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文参考訳（メタデータ） (2021-04-28T15:13:12Z)
GPR-based Model Reconstruction System for Underground Utilities Using GPRNet [12.334006660346935]
地中貫入レーダ(GPR)は、地中物を検出し、位置を特定するための最も重要な非破壊評価(NDE)機器の一つである。従来の研究では、GPR画像に基づく特徴検出のみに焦点が当てられており、粗いGPR測定を処理して、より詳細な地下物体の3Dモデルを再構築することは不可能である。本稿では,GPRデータを収集し,地下ユーティリティをローカライズし,地下オブジェクトの高密度点クラウドモデルを再構築する,新しいロボットシステムを提案する。
論文参考訳（メタデータ） (2020-11-05T03:26:01Z)
Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文参考訳（メタデータ） (2020-07-30T18:23:18Z)
Deep covariate-learning: optimising information extraction from terrain texture for geostatistical modelling applications [0.0]
測地モデルでは,デジタル標高モデルからできるだけ多くのタスク関連情報を抽出することが望ましい。本稿では,標準SRTM 90m格子デジタル標高モデル(DEM)からタスク固有の地形テクスチャを自動抽出するディープラーニング手法の形でこの問題の解決法を提案する。対象変数については, 河川堆積物中のカリウム, カルシウム, ヒ素の濃度について, 英国地質調査所の地化学データを用いて検討した。
論文参考訳（メタデータ） (2020-05-22T14:00:28Z)
Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.125851164829582]
本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
論文参考訳（メタデータ） (2020-03-30T17:32:49Z)

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。