論文の概要: Skip-WaveNet: A Wavelet based Multi-scale Architecture to Trace Firn
Layers in Radar Echograms
- arxiv url: http://arxiv.org/abs/2310.19574v1
- Date: Mon, 30 Oct 2023 14:30:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 19:56:10.151864
- Title: Skip-WaveNet: A Wavelet based Multi-scale Architecture to Trace Firn
Layers in Radar Echograms
- Title(参考訳): skip-wavenet:レーダーエコーグラム中のfirn層を追跡するwaveletベースのマルチスケールアーキテクチャ
- Authors: Debvrat Varshney, Masoud Yari, Oluwanisola Ibikunle, Jilu Li, John
Paden, Maryam Rahnemoonfar
- Abstract要約: 我々はレーダエコーグラムのためのウェーブレットに基づくマルチスケールディープラーニングアーキテクチャを開発し、ファーン層検出を改善する。
ウェーブレットベースのアーキテクチャは、最適なデータセットスケール(ODS)と最適な画像スケール(OIS)Fスコアをそれぞれ3.99%、そして3.7%改善する。
提案したSkip-WaveNetアーキテクチャは各イテレーションで新しいウェーブレットを生成し,最先端のファーン層検出ネットワークと比較して高い一般化性を示した。
- 参考スコア(独自算出の注目度): 0.3495246564946556
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Echograms created from airborne radar sensors capture the profile of firn
layers present on top of an ice sheet. Accurate tracking of these layers is
essential to calculate the snow accumulation rates, which are required to
investigate the contribution of polar ice cap melt to sea level rise. However,
automatically processing the radar echograms to detect the underlying firn
layers is a challenging problem. In our work, we develop wavelet-based
multi-scale deep learning architectures for these radar echograms to improve
firn layer detection. We show that wavelet based architectures improve the
optimal dataset scale (ODS) and optimal image scale (OIS) F-scores by 3.99% and
3.7%, respectively, over the non-wavelet architecture. Further, our proposed
Skip-WaveNet architecture generates new wavelets in each iteration, achieves
higher generalizability as compared to state-of-the-art firn layer detection
networks, and estimates layer depths with a mean absolute error of 3.31 pixels
and 94.3% average precision. Such a network can be used by scientists to trace
firn layers, calculate the annual snow accumulation rates, estimate the
resulting surface mass balance of the ice sheet, and help project global sea
level rise.
- Abstract(参考訳): 空中レーダーセンサーから生成したエコーグラムは、氷床の上のほこりの層を捉えている。
これらの層の正確な追跡は,氷冠融解の海面上昇への寄与を調べるために必要となる積雪率を計算するために重要である。
しかし、地下層を検出するためにレーダエコーグラムを自動的に処理することは難しい問題である。
本研究では,これらのレーダエコーグラムのためのウェーブレットに基づくマルチスケールディープラーニングアーキテクチャを開発し,ファーン層の検出を改善する。
ウェーブレットベースアーキテクチャは, 最適データセットスケール (ods) と最適画像スケール (ois) のf-scoreを, 非ウェーブレットアーキテクチャよりもそれぞれ3.99%, 3.7%改善することを示す。
さらに,提案するスキップウェーブネットアーキテクチャは,各イテレーションで新たなウェーブレットを生成し,最先端のfirn層検出ネットワークと比較して高い汎用性を実現し,平均絶対誤差3.31ピクセル,94.3%の平均精度で層深さを推定する。
このようなネットワークは科学者によってファーン層を辿り、年間降雪率を計算し、氷床の表面の質量収支を推定し、地球規模の海面上昇を予測するために利用できる。
関連論文リスト
- DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。
まず,事前学習した単眼深度特徴を生かして,頑健な多眼深度モデルを提案する。
また,ガウス的スプラッティングは教師なし事前学習の目的として機能することを示す。
論文 参考訳(メタデータ) (2024-10-17T17:59:58Z) - GET-UP: GEomeTric-aware Depth Estimation with Radar Points UPsampling [7.90238039959534]
既存のアルゴリズムは3Dポイントを画像面に投影してレーダデータを処理し、画素レベルの特徴抽出を行う。
レーダデータから2次元情報と3次元情報を交換・集約するために,注目度の高いグラフニューラルネットワーク(GNN)を利用するGET-UPを提案する。
提案したGET-UPをnuScenesデータセット上でベンチマークし,従来最高のパフォーマンスモデルよりも15.3%,14.7%改善した。
論文 参考訳(メタデータ) (2024-09-02T14:15:09Z) - RIDERS: Radar-Infrared Depth Estimation for Robust Sensing [22.10378524682712]
逆気象条件は正確な深度推定に重大な課題をもたらす。
本研究では,ミリ波レーダと単眼赤外線サーマルカメラを融合させて,ロバストな距離推定手法を提案する。
本手法は、曖昧さと不一致の課題に対処することにより、異常な視覚的品質と正確な計量推定を実現する。
論文 参考訳(メタデータ) (2024-02-03T07:14:43Z) - RadarCam-Depth: Radar-Camera Fusion for Depth Estimation with Learned Metric Scale [21.09258172290667]
本稿では, 単視点画像とスパース, ノイズの多いレーダー点雲の融合に基づく, 距離密度推定のための新しい手法を提案する。
提案手法は,難解なnuScenesデータセットと自己コンパイルしたZJU-4DRadarCamデータセットにおいて,平均絶対誤差(MAE)を25.6%,40.2%削減することにより,最先端のRadar-Camera深度推定法を著しく上回っている。
論文 参考訳(メタデータ) (2024-01-09T02:40:03Z) - Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity
Monocular Dense Mapping [51.739466714312805]
ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。
ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
論文 参考訳(メタデータ) (2024-01-06T12:32:25Z) - Prediction of Annual Snow Accumulation Using a Recurrent Graph
Convolutional Approach [0.38073142980732994]
近年、スノーレーダーのような空中レーダーセンサーは、垂直解像度の細かい大きな領域で内部の氷層を計測できることが示されている。
本研究では,グラフアテンションネットワークに基づくモデルを用いて,より大規模なデータセット上での入力データポイントの少ない年次積雪データポイントの予測を行った。
論文 参考訳(メタデータ) (2023-06-22T19:48:34Z) - 3D Cascade RCNN: High Quality Object Detection in Point Clouds [122.42455210196262]
本稿では3次元カスケードRCNNを提案する。これはカスケードパラダイムにおいて、酸化点雲に基づいて複数の検出器を割り当てる。
提案する3次元カスケードRCNNは,最先端の3次元物体検出技術と比較した場合の優位性を検証した。
論文 参考訳(メタデータ) (2022-11-15T15:58:36Z) - Vision-based Large-scale 3D Semantic Mapping for Autonomous Driving
Applications [53.553924052102126]
ステレオカメラシステムのみに基づく3次元セマンティックマッピングのための完全なパイプラインを提案する。
パイプラインは、直接視覚的オドメトリーのフロントエンドと、グローバルな時間統合のためのバックエンドで構成されている。
本稿では,3次元点ラベルの品質と一貫性を向上する,単純だが効果的な投票方式を提案する。
論文 参考訳(メタデータ) (2022-03-02T13:18:38Z) - TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view
Stereo [55.30992853477754]
本稿では,リアルタイムな単分子追跡と高密度フレームワークであるTANDEMを紹介する。
ポーズ推定のために、TANDEMはアライメントのスライディングウィンドウに基づいて光度バンドル調整を行う。
TANDEMは最先端のリアルタイム3D再構成性能を示す。
論文 参考訳(メタデータ) (2021-11-14T19:01:02Z) - Deep Ice Layer Tracking and Thickness Estimation using Fully
Convolutional Networks [0.5249805590164901]
本研究では,Snow Radar画像とFully Convolutional Networksを用いて,各内部氷層の厚さを推定する新しい手法を提案する。
推定された厚さは、毎年雪の蓄積を理解するために利用することができる。
論文 参考訳(メタデータ) (2020-09-01T02:43:59Z) - Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。
レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
論文 参考訳(メタデータ) (2020-02-25T14:06:27Z)
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。