論文の概要: Skip-WaveNet: A Wavelet based Multi-scale Architecture to Trace Snow Layers in Radar Echograms
- arxiv url: http://arxiv.org/abs/2310.19574v2
- Date: Fri, 24 Jan 2025 03:23:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-27 14:54:28.340794
- Title: Skip-WaveNet: A Wavelet based Multi-scale Architecture to Trace Snow Layers in Radar Echograms
- Title（参考訳）: Skip-WaveNet: レーダエコーグラムの積雪層をトレースするウェーブレット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, Aryya Gangopadhyay, 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,積雪層の検出を改善する。
これらのアーキテクチャは、平均絶対誤差3.31ピクセルと94.3%の平均精度で層深さを推定し、最先端の雪層検出ネットワークと比較して高い一般化性を達成する。
このような堅牢なアーキテクチャは、将来のミッションからのエコーグラムで雪の層を効率的に追跡し、個々の厚さを見積もり、海面上昇予測モデルをサポートすることができる。
- 参考スコア（独自算出の注目度）: 0.5235143203977018
- License:
- Abstract: Airborne radar sensors capture the profile of snow layers present on top of an ice sheet. Accurate tracking of these layers is essential to calculate their thicknesses, 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 snow layers is a challenging problem. In our work, we develop wavelet-based multi-scale deep learning architectures for these radar echograms to improve snow layer detection. These architectures estimate the layer depths with a mean absolute error of 3.31 pixels and 94.3% average precision, achieving higher generalizability as compared to state-of-the-art snow layer detection networks. These depth estimates also agree well with physically drilled stake measurements. Such robust architectures can be used on echograms from future missions to efficiently trace snow layers, estimate their individual thicknesses and thus support sea-level rise projection models.
- Abstract（参考訳）: 航空機のレーダーセンサーは、氷床の上に積もる雪の層を捉えます。
これらの層の正確な追跡は,海面上昇への極氷冠融解の寄与を調べるために必要となる厚さを計算するために重要である。
しかし、降雪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,積雪層の検出を改善する。
これらのアーキテクチャは、平均絶対誤差3.31ピクセルと94.3%の平均精度で層深さを推定し、最先端の雪層検出ネットワークと比較して高い一般化性を達成する。
これらの深さ推定は、物理的に掘削された杭の測定とよく一致する。
このような堅牢なアーキテクチャは、将来のミッションからのエコーグラムで雪の層を効率的に追跡し、個々の厚さを見積もり、海面上昇予測モデルをサポートすることができる。
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。