論文の概要: Using an Uncrewed Surface Vehicle to Create a Volumetric Model of
Non-Navigable Rivers and Other Shallow Bodies of Water
- arxiv url: http://arxiv.org/abs/2309.10269v1
- Date: Tue, 19 Sep 2023 02:46:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 16:48:16.186246
- Title: Using an Uncrewed Surface Vehicle to Create a Volumetric Model of
Non-Navigable Rivers and Other Shallow Bodies of Water
- Title(参考訳): 無人表面車両による航行不能河川およびその他の浅瀬水域の体積モデルの作成
- Authors: Jayesh Tripathi and Robin Murphy
- Abstract要約: 航行不可能な川や貯水池は洪水からの集落の緩衝に重要な役割を果たしている。
緊急プランナーは、周囲に浸水する前に輸送できる水の量に関するデータを持っていないことが多い。
本稿では,浅い水域の底面のディジタルサーフェスマップを統一体積モデルに組み込むために,無人海洋表層車両 (USV) を用いた実践的アプローチについて述べる。
- 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: Non-navigable rivers and retention ponds play important roles in buffering
communities from flooding, yet emergency planners often have no data as to the
volume of water that they can carry before flooding the surrounding. This paper
describes a practical approach for using an uncrewed marine surface vehicle
(USV) to collect and merge bathymetric maps with digital surface maps of the
banks of shallow bodies of water into a unified volumetric model. The
below-waterline mesh is developed by applying the Poisson surface
reconstruction algorithm to the sparse sonar depth readings of the underwater
surface. Dense above-waterline meshes of the banks are created using commercial
structure from motion (SfM) packages. Merging is challenging for many reasons,
the most significant is gaps in sensor coverage, i.e., the USV cannot collect
sonar depth data or visually see sandy beaches leading to a bank thus the two
meshes may not intersect. The approach is demonstrated on a Hydronalix EMILY
USV with a Humminbird single beam echosounder and Teledyne FLIR camera at Lake
ESTI at the Texas A&M Engineering Extension Service Disaster City complex.
- Abstract(参考訳): 航行不可能な河川や貯水池は、洪水から地域社会を緩衝する上で重要な役割を担っているが、緊急プランナーは、周囲を浸水する前に輸送できる水量に関するデータを持っていないことが多い。
本稿では,水深の浅い水域の底面のディジタル表面地図と水深分布図を統合容積モデルにまとめ,水深分布図(usv)の収集とマージを行うための実用的アプローチについて述べる。
底面の粗いソナー深度読み出しにポアソン面再構成アルゴリズムを適用することにより, 以下の水面メッシュを開発した。
移動(SfM)パッケージの商業構造を用いて、銀行の高密度な水面メッシュを作成する。
マージは多くの理由から難しいが、最も重要なのはセンサカバレッジのギャップである。すなわち、usvはソナー深度データを収集できないし、バンクにつながる砂浜を視覚的に見ることができるため、2つのメッシュが交差することはない。
このアプローチは、テキサスA&Mエンジニアリング拡張サービス災害都市複合施設のESTI湖で、ハミンバード単ビームエコーとテレダインFLIRカメラを備えたハイドロナリックスEMILY USVで実証されている。
関連論文リスト
- UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。
再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
論文 参考訳(メタデータ) (2024-10-10T16:33:56Z) - StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。
StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。
スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
論文 参考訳(メタデータ) (2024-10-06T04:21:59Z) - Diving into Underwater: Segment Anything Model Guided Underwater Salient Instance Segmentation and A Large-scale Dataset [60.14089302022989]
水中視覚タスクは複雑な水中状況のため、しばしばセグメンテーションの精度が低い。
第1次大規模水中塩分分節データセット(USIS10K)を構築した。
本研究では,水中ドメインに特化してセグメンツ・ア・シング・モデル(USIS-SAM)に基づく水中塩分・インスタンス・アーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-06-10T06:17:33Z) - UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping [24.857739769719778]
UrbanSARFloodsは、事前処理されたSentinel-1強度データと、洪水前後に取得された干渉コヒーレンス画像を含むデータセットである。
8,879ドルの512times 512$チップで、20のランドカバークラスと18の洪水イベントにまたがって807,500$km2$をカバーしている。
我々はUrbanSARFloodsを用いて、既存の最先端の畳み込みニューラルネットワーク(CNN)を、オープンかつ都市的な洪水領域のセグメンテーションに使用した。
論文 参考訳(メタデータ) (2024-06-06T14:28:43Z) - Leveraging Citizen Science for Flood Extent Detection using Machine
Learning Benchmark Dataset [0.9029386959445269]
我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。
また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。
データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
論文 参考訳(メタデータ) (2023-11-15T18:49:29Z) - Ghost on the Shell: An Expressive Representation of General 3D Shapes [97.76840585617907]
リアルな素材と照明で高速な物理ベースのレンダリングを可能にするので、メッシュは魅力的だ。
近年の3次元形状の再構成と統計的モデリングの研究は、メッシュをトポロジカルに非フレキシブルであると批判している。
我々は水密面上の多様体符号距離場を定義することにより開曲面をパラメータ化する。
G-Shellは、非水密メッシュ再構築および生成タスクにおける最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-10-23T17:59:52Z) - GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in
Large-Size Very-High-Resolution Satellite Imagery [2.342488890032597]
本稿では,250個の衛星画像と手動による表層水アノテーションからなるGLH-waterデータセットを提案する。
それぞれの画像サイズは12,800ドル(約12,800円)で、空間解像度0.3mの12,800ピクセル。
GLH-waterのベンチマークを構築するために,代表表面水検出モデル,一般的なセマンティックセグメンテーションモデル,超高分解能セグメンテーションモデルを用いた広範囲な実験を行った。
論文 参考訳(メタデータ) (2023-03-16T13:35:56Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。
提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
論文 参考訳(メタデータ) (2022-12-23T03:00:28Z) - Online Stochastic Variational Gaussian Process Mapping for Large-Scale
SLAM in Real Time [1.3387004254920498]
AUVは、科学と産業の両方の分野で、水中探査と海底マッピングの標準ツールになりつつある。
潜水能力は浮き彫りで、船体に近づきにくい地域まで到達し、海底に近いデータを収集することができる。
ナビゲーションの自律性は、その世界位置の死亡推定(DR)の正確さによって制限され続けており、地域とGPS信号の事前マップが欠如しているため、著しく制限されている。
論文 参考訳(メタデータ) (2022-11-10T14:21:48Z) - Semi-supervised Identification and Mapping of Surface Water Extent using
Street-level Monitoring Videos [1.0152838128195467]
本稿では,斜め監視カメラの映像から表面水深認識のための半教師付きセグメンテーション手法を提案する。
このアルゴリズムは水の境界を決定するのに適し, 監視ビデオの画素のジオレファレンスにモノプロイト法をうまく適用した。
この研究のワークフローと手法は、他の街路面や地表面のプロセスを研究する大きな可能性を秘めている。
論文 参考訳(メタデータ) (2022-01-31T21:27:37Z)
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。