論文の概要: A deep scalable neural architecture for soil properties estimation from spectral information

• arxiv url: http://arxiv.org/abs/2210.17314v1
• Date: Wed, 26 Oct 2022 16:50:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 14:48:06.966714
• Title: A deep scalable neural architecture for soil properties estimation from spectral information
• Title（参考訳）: スペクトル情報を用いた土壌特性推定のためのディープスケーラブルニューラルネットワークアーキテクチャ
• Authors: Flavio Piccoli, Micol Rossini, Roberto Colombo, Raimondo Schettini, Paolo Napoletano
• Abstract要約: 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」
• 参考スコア（独自算出の注目度）: 20.981200039553144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we propose an adaptive deep neural architecture for the prediction of multiple soil characteristics from the analysis of hyperspectral signatures. The proposed method overcomes the limitations of previous methods in the state of art: (i) it allows to predict multiple soil variables at once; (ii) it permits to backtrace the spectral bands that most contribute to the estimation of a given variable; (iii) it is based on a flexible neural architecture capable of automatically adapting to the spectral library under analysis. The proposed architecture is experimented on LUCAS, a large laboratory dataset and on a dataset achieved by simulating PRISMA hyperspectral sensor. 'Results, compared with other state-of-the-art methods confirm the effectiveness of the proposed solution.
• Abstract（参考訳）: 本稿では,ハイパースペクトルシグネチャの解析から複数の地盤特性の予測を行うための適応型深層ニューラルネットワークを提案する。 提案手法は,最先端技術における従来の手法の限界を克服する。 (i)複数の土壌変数を同時に予測することができる。 (ii) 与えられた変数の推定に最も寄与するスペクトル帯域をバックトレースすることができる。 (iii)分析対象のスペクトルライブラリに自動的に適応できる柔軟なニューラルネットワークアーキテクチャに基づいている。 提案アーキテクチャは、大規模な実験室データセットであるLUCASと、PRISMAハイパースペクトルセンサをシミュレートしたデータセット上で実験される。 従来の手法と比較して,提案手法の有効性を確認した。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE) [0.0]
  ハイパースペクトル画像分割のための多種多様なディープラーニングアーキテクチャの性能を評価する。 その結果,空間情報をスペクトルデータと組み合わせることで,セグメンテーション結果が改善された。 我々は、Tecnalia WEEE Hyperspectralデータセットのクリーニングと公開によって、この分野に貢献する。
  論文  参考訳（メタデータ） (2024-07-05T13:45:11Z)
• Learning high-dimensional causal effect [0.0]
  本研究では,高次元の合成因果データセットを生成する手法を提案する。 合成データは、MNISTデータセットとベルヌーイ処理値を用いて因果効果をシミュレートする。 我々はDragonnetアーキテクチャと修正アーキテクチャを用いてこのデータセットを実験する。
  論文  参考訳（メタデータ） (2023-03-01T20:57:48Z)
• A Local Optima Network Analysis of the Feedforward Neural Architecture Space [0.0]
  ローカルオプティマネットワーク(LON)解析は、候補解のフィットネスランドスケープの派生である。 LONは、ニューラルネットワークを分析し最適化する実行可能なパラダイムを提供することができる。
  論文  参考訳（メタデータ） (2022-06-02T08:09:17Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Optimization-Based Separations for Neural Networks [57.875347246373956]
  本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。 これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
  論文  参考訳（メタデータ） (2021-12-04T18:07:47Z)
• 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)
• A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
  本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。 得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-19T14:43:07Z)
• Stochastic analysis of heterogeneous porous material with modified neural architecture search (NAS) based physics-informed neural networks using transfer learning [0.0]
  修正ニューラルアーキテクチャ探索法(NAS)に基づく物理インフォームド深層学習モデルを提案する。 高度不均質帯水層における地下水流動シミュレーションのベンチマークを行うため, 三次元流れモデルを構築した。
  論文  参考訳（メタデータ） (2020-10-03T19:57:54Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Towards learned optimal q-space sampling in diffusion MRI [1.5640063295947522]
  ファイバトラクトグラフィーのための統一的な推定フレームワークを提案する。 提案手法は,信号推定の精度とそれに続く解析精度を大幅に向上させる。 本稿では,Human Connectome Projectデータに基づく包括的比較分析を提案する。
  論文  参考訳（メタデータ） (2020-09-07T10:46:12Z)

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。