論文の概要: LROC-PANGU-GAN: Closing the Simulation Gap in Learning Crater
Segmentation with Planetary Simulators
- arxiv url: http://arxiv.org/abs/2310.02781v1
- Date: Wed, 4 Oct 2023 12:52:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 15:10:00.171475
- Title: LROC-PANGU-GAN: Closing the Simulation Gap in Learning Crater
Segmentation with Planetary Simulators
- Title（参考訳）: LROC-PANGU-GAN:プラネタリーシミュレータを用いた学習クレーターセグメンテーションにおけるシミュレーションギャップの閉鎖
- Authors: Jaewon La, Jaime Phadke, Matt Hutton, Marius Schwinning, Gabriele De
Canio, Florian Renk, Lars Kunze, Matthew Gadd
- Abstract要約: 外国の惑星体への探査機の着陸は、危険を確実に識別し、避けることが重要である。
この問題に対するディープラーニングの最近の応用は有望な結果を示している。
しかしながら、これらのモデルは、注釈付きデータセットに対する明確な監督によってしばしば学習される。
本稿では,ラベルの忠実さを維持しつつ,この「現実主義」のギャップを埋めるシステムを提案する。
- 参考スコア（独自算出の注目度）: 5.667566032625522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is critical for probes landing on foreign planetary bodies to be able to
robustly identify and avoid hazards - as, for example, steep cliffs or deep
craters can pose significant risks to a probe's landing and operational
success. Recent applications of deep learning to this problem show promising
results. These models are, however, often learned with explicit supervision
over annotated datasets. These human-labelled crater databases, such as from
the Lunar Reconnaissance Orbiter Camera (LROC), may lack in consistency and
quality, undermining model performance - as incomplete and/or inaccurate labels
introduce noise into the supervisory signal, which encourages the model to
learn incorrect associations and results in the model making unreliable
predictions. Physics-based simulators, such as the Planet and Asteroid Natural
Scene Generation Utility, have, in contrast, perfect ground truth, as the
internal state that they use to render scenes is known with exactness. However,
they introduce a serious simulation-to-real domain gap - because of fundamental
differences between the simulated environment and the real-world arising from
modelling assumptions, unaccounted for physical interactions, environmental
variability, etc. Therefore, models trained on their outputs suffer when
deployed in the face of realism they have not encountered in their training
data distributions. In this paper, we therefore introduce a system to close
this "realism" gap while retaining label fidelity. We train a CycleGAN model to
synthesise LROC from Planet and Asteroid Natural Scene Generation Utility
(PANGU) images. We show that these improve the training of a downstream crater
segmentation network, with segmentation performance on a test set of real LROC
images improved as compared to using only simulated PANGU images.
- Abstract（参考訳）: 例えば、急な崖や深いクレーターは、探査機の着陸と運用の成功に重大なリスクをもたらす可能性がある。
この問題に対するディープラーニングの最近の応用は有望な結果を示している。
しかしながら、これらのモデルは、注釈付きデータセットに対する明確な監督によってしばしば学習される。
ルナー・リコネッサンス・オービター・カメラ(LROC)のような人間の衝突したクレーターデータベースは、不完全なラベルや不正確なラベルが監視信号にノイズをもたらすため、一貫性と品質に欠ける可能性がある。
プラネットや小惑星自然シーン生成ユーティリティのような物理ベースのシミュレータは、その対照的に完全な地上真理を持ち、シーンをレンダリングするのに使用する内部状態は正確さで知られている。
しかし、シミュレーション環境とモデリングの前提から生じる実世界との根本的な違い、物理的相互作用や環境変動など、本質的なシミュレーションと現実のドメインギャップを導入する。
したがって、トレーニングデータディストリビューションで遭遇していない現実主義に直面してデプロイされると、アウトプットでトレーニングされたモデルは苦しむことになる。
そこで本稿では,ラベル忠実性を維持しつつ,この「現実主義」ギャップを解消するシステムを提案する。
PANGU(Planet and Asteroid Natural Scene Generation Utility)画像からLROCを合成するために、CycleGANモデルを訓練する。
PANGU画像のみを用いた場合に比べて、実LROC画像のテストセットでのセグメンテーション性能が向上し、下流クレーターセグメンテーションネットワークのトレーニングが向上したことを示す。
関連論文リスト
- Towards Realistic Data Generation for Real-World Super-Resolution [58.88039242455039]
RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。
我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。
実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
論文 参考訳（メタデータ） (2024-06-11T13:34:57Z) - Exploring Generative AI for Sim2Real in Driving Data Synthesis [6.769182994217369]
ドライビングシミュレータは、対応するアノテーションで様々なドライビングシナリオを自動的に生成するソリューションを提供するが、シミュレーションとリアリティ(Sim2Real)ドメインギャップは依然として課題である。
本稿では,現実的なデータセット作成のためのブリッジとして,運転シミュレータからのセマンティックラベルマップを活用するために,3つの異なる生成AI手法を適用した。
実験の結果,手動のアノテートラベルが提供されると,GANベースの手法は高品質な画像を生成するには適しているが,ControlNetは,シミュレータ生成ラベルを使用すると,より少ないアーティファクトとより構造的忠実度を持つ合成データセットを生成することがわかった。
論文 参考訳（メタデータ） (2024-04-14T01:23:19Z) - Are NeRFs ready for autonomous driving? Towards closing the real-to-simulation gap [6.393953433174051]
本稿では,実際のデータギャップに対処するための新しい視点を提案する。
自律運転環境における実シミュレーションデータギャップの大規模調査を初めて実施する。
シミュレーションデータに対するモデルロバスト性は顕著に向上し,実世界の性能も向上した。
論文 参考訳（メタデータ） (2024-03-24T11:09:41Z) - RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。
我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。
その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
論文 参考訳（メタデータ） (2023-12-15T13:33:09Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳（メタデータ） (2023-09-01T19:29:53Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - Strategic Geosteeering Workflow with Uncertainty Quantification and Deep
Learning: A Case Study on the Goliat Field [0.0]
本稿では,オフラインとオンラインのフェーズからなる実践的なワークフローを提案する。
オフラインフェーズには、不確実な事前ニアウェルジオモデルのトレーニングと構築が含まれている。
オンラインフェーズでは、フレキシブルな反復アンサンブルスムーズ(FlexIES)を使用して、極深電磁データのリアルタイム同化を行う。
論文 参考訳（メタデータ） (2022-10-27T15:38:26Z) - PCGen: Point Cloud Generator for LiDAR Simulation [10.692184635629792]
既存の方法は、実点雲よりもノイズが多く、完全なデータを生成する。
我々はFPAレイキャストと代理モデルレイドロップを提案する。
最小限のトレーニングデータによって、代理モデルは異なる地理やシーンに一般化することができる。
その結果、シミュレーションデータにより訓練されたオブジェクト検出モデルは、実際のデータトレーニングモデルと同じような結果が得られることがわかった。
論文 参考訳（メタデータ） (2022-10-17T04:13:21Z) - Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。
我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-09-29T15:24:47Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z)
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。