論文の概要: Physics-Informed Data Denoising for Real-Life Sensing Systems
- arxiv url: http://arxiv.org/abs/2311.06968v1
- Date: Sun, 12 Nov 2023 21:25:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 16:03:33.236354
- Title: Physics-Informed Data Denoising for Real-Life Sensing Systems
- Title（参考訳）: 実時間センシングシステムのための物理インフォームドデータデノイング
- Authors: Xiyuan Zhang, Xiaohan Fu, Diyan Teng, Chengyu Dong, Keerthivasan
Vijayakumar, Jiayun Zhang, Ranak Roy Chowdhury, Junsheng Han, Dezhi Hong,
Rashmi Kulkarni, Jingbo Shang, Rajesh Gupta
- Abstract要約: ノイズセンサのための物理インフォームド・デノナイジング・モデルを開発した。
本手法では, 低コストノイズセンサのデータをリアルタイム(4ms/1s)にデノマイズすることができる。
- 参考スコア（独自算出の注目度）: 30.80700186287102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sensors measuring real-life physical processes are ubiquitous in today's
interconnected world. These sensors inherently bear noise that often adversely
affects performance and reliability of the systems they support. Classic
filtering-based approaches introduce strong assumptions on the time or
frequency characteristics of sensory measurements, while learning-based
denoising approaches typically rely on using ground truth clean data to train a
denoising model, which is often challenging or prohibitive to obtain for many
real-world applications. We observe that in many scenarios, the relationships
between different sensor measurements (e.g., location and acceleration) are
analytically described by laws of physics (e.g., second-order differential
equation). By incorporating such physics constraints, we can guide the
denoising process to improve even in the absence of ground truth data. In light
of this, we design a physics-informed denoising model that leverages the
inherent algebraic relationships between different measurements governed by the
underlying physics. By obviating the need for ground truth clean data, our
method offers a practical denoising solution for real-world applications. We
conducted experiments in various domains, including inertial navigation, CO2
monitoring, and HVAC control, and achieved state-of-the-art performance
compared with existing denoising methods. Our method can denoise data in real
time (4ms for a sequence of 1s) for low-cost noisy sensors and produces results
that closely align with those from high-precision, high-cost alternatives,
leading to an efficient, cost-effective approach for more accurate sensor-based
systems.
- Abstract（参考訳）: 現実世界の物理的プロセスを測定するセンサーは、今日の相互接続された世界でユビキタスである。
これらのセンサーには本質的にノイズがあり、それらがサポートするシステムの性能や信頼性に悪影響を及ぼす。
古典的なフィルタリングに基づくアプローチは、感覚計測の時間または周波数特性に関する強い仮定を導入している一方、学習に基づく認知的アプローチは一般に、多くの現実世界のアプリケーションで入手することがしばしば困難または違法なデノナイジングモデルをトレーニングするために、基底真理クリーンデータを使用することに依存している。
多くのシナリオにおいて、異なるセンサー測定(例えば位置と加速度)の関係は物理学の法則(例えば二階微分方程式)によって解析的に記述される。
このような物理制約を組み込むことで,基礎的真理データがない場合でも,デノナイジングプロセスの改善を導くことができる。
これを踏まえ、基礎となる物理によって支配される異なる測定値間の固有代数的関係を利用する物理インフォームド・デノナイジングモデルを設計する。
地上の真実を清浄なデータの必要性を回避し,実世界のアプリケーションに実用的なデノジングソリューションを提供する。
慣性ナビゲーション,CO2モニタリング,HVAC制御など,様々な領域で実験を行い,従来のデノナイジング法と比較して最先端の性能を達成した。
提案手法は, 高精度で高精度なセンサベースシステムにおいて, 高精度で高効率なアプローチを実現するために, 低コストなノイズセンサのデータをリアルタイム (4ms) にデノマイズすることができる。
関連論文リスト
- Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things [6.374763930914524]
産業用IoT(Industrial Internet of Things)は、製造業、産業プロセス、インフラ管理を変革している。
高度に信頼性の高いIIoTを実現するには、大量のセンサーをインストールするコスト、既存のシステムにセンサーを組み直す際の制限、センサーの設置を非現実的にする厳しい環境条件などの要因が伴う。
物理の原理をグラフベースの方法論に統合する物理強化グラフニューラルネットワーク(GNN)を提案する。
論文 参考訳（メタデータ） (2024-04-11T18:03:59Z) - Quantifying Noise of Dynamic Vision Sensor [49.665407116447454]
動的視覚センサ(DVS)は、大量のバックグラウンドアクティビティ(BA)ノイズによって特徴付けられる。
標準的な画像処理技術を用いて,ノイズとクリーン化センサ信号とを区別することは困難である。
Detrended Fluctuation Analysis (DFA) から得られたBAノイズを特徴付ける新しい手法が提案されている。
論文 参考訳（メタデータ） (2024-04-02T13:43:08Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。
拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文 参考訳（メタデータ） (2022-12-15T11:01:32Z) - Online Real-time Learning of Dynamical Systems from Noisy Streaming
Data: A Koopman Operator Approach [0.0]
ノイズの多い時系列データから動的システムのオンラインリアルタイム学習のための新しいアルゴリズムを提案する。
提案アルゴリズムはロバスト・クープマン演算子を用いて測定ノイズの影響を緩和する。
論文 参考訳（メタデータ） (2022-12-10T10:21:45Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z) - Deep Interference Mitigation and Denoising of Real-World FMCW Radar
Signals [16.748215232763517]
実世界レーダ計測における干渉緩和のための畳み込みニューラルネットワーク(CNN)に基づくアプローチの評価を行った。
実測値と模擬干渉を組み合わせることで,モデルの学習に適した入力出力データを生成する。
論文 参考訳（メタデータ） (2020-12-04T11:22:13Z) - Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。
従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。
本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-07T07:19:48Z)
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。