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

• DiffSR: Learning Radar Reflectivity Synthesis via Diffusion Model from Satellite Observations [42.635670495018964]
  我々はDiffSRと呼ばれる2段階拡散法を提案し、高周波の詳細と高値領域を生成する。 提案手法は, 最新技術(SOTA)の成果を達成し, 高周波の細部と高値領域を生成できることを実証する。
  論文  参考訳（メタデータ） (2024-11-11T04:50:34Z)
• Detection of Animal Movement from Weather Radar using Self-Supervised Learning [0.14999444543328289]
  動物の動きを検出するための自己教師型学習法を提案する。 提案手法では,しきい値を用いた雑音ラベル付き大規模データセット上でモデルを事前学習する。 オーストラリアの気象レーダデータを用いた水鳥セグメンテーション実験により, 提案手法は, ダイス共効率統計学において, 現在の最先端技術よりも43.53%優れていることが判明した。
  論文  参考訳（メタデータ） (2024-08-08T12:48:54Z)
• 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)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
  様々な動物が環境の手がかりを使って正確なナビゲーションをしている。 動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。 提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
  論文  参考訳（メタデータ） (2024-02-06T13:20:56Z)
• 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)
• 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)

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。