論文の概要: Physics-informed inference of aerial animal movements from weather radar
data
- arxiv url: http://arxiv.org/abs/2211.04539v1
- Date: Tue, 8 Nov 2022 20:20:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 17:13:25.314928
- Title: Physics-informed inference of aerial animal movements from weather radar
data
- Title(参考訳): 気象レーダーデータによる航空動物運動の物理インフォームド推論
- Authors: Fiona Lippert, Bart Kranstauber, E. Emiel van Loon, Patrick Forr\'e
- Abstract要約: 我々は、利用可能なレーダデータから移動パターンを再構築する問題に取り組む。
畳み込みデコーダは、推定潜在状態を既知のレーダー観測モデルを適用する物理空間にマッピングする。
合成レーダデータを用いた実験は, 復元品質とデータ効率の観点から有望な結果を示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Studying animal movements is essential for effective wildlife conservation
and conflict mitigation. For aerial movements, operational weather radars have
become an indispensable data source in this respect. However, partial
measurements, incomplete spatial coverage, and poor understanding of animal
behaviours make it difficult to reconstruct complete spatio-temporal movement
patterns from available radar data. We tackle this inverse problem by learning
a mapping from high-dimensional radar measurements to low-dimensional latent
representations using a convolutional encoder. Under the assumption that the
latent system dynamics are well approximated by a locally linear Gaussian
transition model, we perform efficient posterior estimation using the classical
Kalman smoother. A convolutional decoder maps the inferred latent system states
back to the physical space in which the known radar observation model can be
applied, enabling fully unsupervised training. To encourage physical
consistency, we additionally introduce a physics-informed loss term that
leverages known mass conservation constraints. Our experiments on synthetic
radar data show promising results in terms of reconstruction quality and
data-efficiency.
- Abstract(参考訳): 動物運動の研究は、効果的な野生生物保護と紛争軽減に不可欠である。
空中移動では、この点で運用中の気象レーダーは必須のデータ源となっている。
しかし、部分的な測定、不完全な空間的カバレッジ、動物の行動の理解不足により、利用可能なレーダーデータから時空間運動パターンを完全に再構築することは困難である。
本研究では,高次元レーダ計測から畳み込みエンコーダを用いた低次元潜在表現へのマッピングを学習することで,この逆問題に対処する。
潜在系ダイナミクスが局所線形ガウス遷移モデルによってよく近似されるという仮定のもと,古典カルマンスムーサを用いた効率的な後続推定を行う。
畳み込みデコーダは、推定潜在状態の状態を既知のレーダー観測モデルを適用する物理空間にマッピングし、完全に教師なしの訓練を可能にする。
物理的整合性を促進するために,既知の質量保存制約を生かした物理情報損失項を導入する。
合成レーダデータを用いた実験では,復元品質とデータ効率の観点から有望な結果が得られた。
関連論文リスト
- Pointing the Way: Refining Radar-Lidar Localization Using Learned ICP
Weights [10.04001837707355]
本稿では,ライダーマップに対するレーダー計測の局所化を改善するための,ディープラーニングに基づく新しいアプローチを提案する。
ICPベースのレーダーライダーローカライゼーションシステム上に構築されており、高レベルのスキャン情報に基づいてレーダーポイントを重み付けする学習前処理ステップを含んでいる。
論文 参考訳(メタデータ) (2023-09-15T19:37:58Z) - Weakly supervised marine animal detection from remote sensing images
using vector-quantized variational autoencoder [4.812718493682454]
本稿では, 海洋環境における航空画像からの弱教師付き動物検出のための再構成に基づくアプローチについて検討する。
異常検出フレームワークは、入力空間上で直接メトリクスを計算し、解釈可能性と異常なローカライゼーションを高める。
我々のフレームワークは、異常の解釈性と局所化を改善し、海洋生態系のモニタリングに有用な洞察を提供する。
論文 参考訳(メタデータ) (2023-07-13T12:26:27Z) - RadarFormer: Lightweight and Accurate Real-Time Radar Object Detection
Model [13.214257841152033]
レーダー中心のデータセットは、レーダー知覚のためのディープラーニング技術の開発にはあまり注目されていない。
本稿では,視覚深層学習における最先端技術を活用したトランスフォーマーモデルRadarFormerを提案する。
また、チャネルチャープ時マージモジュールを導入し、精度を損なうことなく、モデルのサイズと複雑さを10倍以上に削減する。
論文 参考訳(メタデータ) (2023-04-17T17:07:35Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Contrastive Learning for Unsupervised Radar Place Recognition [31.04172735067443]
我々は、複雑なレーダデータを用いて、位置認識問題を解決するのに適したレーダ画像のシーケンスから、教師なしの方法で埋め込みを学習する。
我々は400km以上の走行が可能な2つの著名な都市レーダデータセットを実験し、新しいレーダ位置認識状態を実現することを示す。
論文 参考訳(メタデータ) (2021-10-06T13:34:09Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Complex-valued Convolutional Neural Networks for Enhanced Radar Signal
Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。
CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文 参考訳(メタデータ) (2021-04-29T10:06:29Z) - There and Back Again: Learning to Simulate Radar Data for Real-World
Applications [21.995474023869388]
我々は、シミュレーションされた標高マップに基づいて忠実なレーダー観測を合成できるレーダセンサモデルを学ぶ。
我々は、不整合レーダの例から前方センサーモデルを学ぶための敵対的アプローチを採用する。
実環境におけるシミュレーションデータに基づいて純粋に訓練された下流セグメンテーションモデルを評価することにより,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2020-11-29T15:49:23Z) - LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar
Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。
自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文 参考訳(メタデータ) (2020-10-02T00:13:00Z) - RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。
我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。
RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文 参考訳(メタデータ) (2020-07-28T17:15:02Z)
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。