論文の概要: Estimation of Physical Parameters of Waveforms With Neural Networks
- arxiv url: http://arxiv.org/abs/2312.10068v1
- Date: Tue, 5 Dec 2023 22:54:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 13:46:48.746012
- Title: Estimation of Physical Parameters of Waveforms With Neural Networks
- Title(参考訳): ニューラルネットワークによる波形の物理パラメータの推定
- Authors: Saad Ahmed Jamal and Thomas Corpetti and Dirk Tiede and Mathilde
Letard and Dimitri Lague
- Abstract要約: フルウェーブフォームLiDARのポテンシャルは、単なる高さ推定や3D再構成よりもはるかに大きい。
既存のLiDARデータ解析の分野では、逆モデリングによる深さ推定や対数強度の回帰、減衰係数の近似のための深さ推定などがある。
本研究では,LIDARデータ解析におけるパラメータ推定のためのニューラルネットワークに基づく新しい解を提案する。
- 参考スコア(独自算出の注目度): 0.8142555609235358
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Light Detection and Ranging (LiDAR) are fast emerging sensors in the field of
Earth Observation. It is a remote sensing technology that utilizes laser beams
to measure distances and create detailed three-dimensional representations of
objects and environments. The potential of Full Waveform LiDAR is much greater
than just height estimation and 3D reconstruction only. Overall shape of signal
provides important information about properties of water body. However, the
shape of FWL is unexplored as most LiDAR software work on point cloud by
utilizing the maximum value within the waveform. Existing techniques in the
field of LiDAR data analysis include depth estimation through inverse modeling
and regression of logarithmic intensity and depth for approximating the
attenuation coefficient. However, these methods suffer from limitations in
accuracy. Depth estimation through inverse modeling provides only approximate
values and does not account for variations in surface properties, while the
regression approach for the attenuation coefficient is only able to generalize
a value through several data points which lacks precision and may lead to
significant errors in estimation. Additionally, there is currently no
established modeling method available for predicting bottom reflectance. This
research proposed a novel solution based on neural networks for parameter
estimation in LIDAR data analysis. By leveraging the power of neural networks,
the proposed solution successfully learned the inversion model, was able to do
prediction of parameters such as depth, attenuation coefficient, and bottom
reflectance. Performance of model was validated by testing it on real LiDAR
data. In future, more data availability would enable more accuracy and
reliability of such models.
- Abstract(参考訳): 光検出とラング(LiDAR)は、地球観測の分野で急速に出現するセンサーである。
レーザービームを利用して距離を測定し、オブジェクトや環境の詳細な3次元表現を作成するリモートセンシング技術である。
フルウェーブフォームLiDARのポテンシャルは、単なる高さ推定や3D再構成よりもはるかに大きい。
信号の全体的な形状は、水域の性質に関する重要な情報を提供する。
しかし、ほとんどのlidarソフトウェアが波形内の最大値を利用することでポイントクラウドで動作するため、fwlの形状は未検討である。
既存のLiDARデータ解析の分野では、逆モデリングによる深さ推定や対数強度の回帰、減衰係数の近似のための深さ推定などがある。
しかし、これらの手法は精度に限界がある。
逆モデリングによる深さ推定は近似値のみを提供し、表面特性のばらつきを考慮せず、減衰係数の回帰アプローチは、精度が欠け、推定に重大な誤差をもたらす可能性のあるいくつかのデータポイントを通してのみ値を一般化することができる。
さらに、ボトムリフレクタンスを予測するための確立したモデリング手法が現在存在しない。
本研究では,LIDARデータ解析におけるパラメータ推定のためのニューラルネットワークに基づく新しい手法を提案する。
ニューラルネットワークのパワーを活用することで,提案手法はインバージョンモデルを学習し,深さ,減衰係数,底面反射率などのパラメータの予測を可能にした。
モデルの性能は、実際のLiDARデータ上でテストすることで検証された。
将来的には、より多くのデータ可用性が、そのようなモデルの精度と信頼性を高めるだろう。
関連論文リスト
- HARDCORE: H-field and power loss estimation for arbitrary waveforms with
residual, dilated convolutional neural networks in ferrite cores [1.3437002403398262]
MagNet Challenge 2023は、トロイダルフェライトコアにおける定常的な電力損失の物質特異的で波形に依存しない推定のためのデータ駆動モデルの開発を競合他社に呼びかけている。
HardCOREアプローチは、物理インフォームド拡張を持つ残差畳み込みニューラルネットワークが、事前に観測データに基づいてトレーニングされた場合、このタスクを効率的に行うことができることを示している。
モデルは各素材のスクラッチから訓練されるが、トポロジーは同じである。
論文 参考訳(メタデータ) (2024-01-21T13:24:41Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳(メタデータ) (2023-05-18T12:30:26Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳(メタデータ) (2023-01-06T05:01:05Z) - Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。
このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。
nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-06-30T01:44:30Z) - Probabilistic model-error assessment of deep learning proxies: an
application to real-time inversion of borehole electromagnetic measurements [0.0]
深部電磁法(EM)測定における深部学習モデルの近似特性と関連するモデル誤差の影響について検討した。
フォワードモデルとしてディープニューラルネットワーク(DNN)を使用することで、数秒で数千のモデル評価を実行できます。
本稿では, モデル誤差を無視しながら, EM測定の逆転に伴う問題を明らかにする数値計算結果を提案する。
論文 参考訳(メタデータ) (2022-05-25T11:44:48Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Deep Learning to Estimate Permeability using Geophysical Data [0.7874708385247351]
本稿では,時間経過RTデータから3次元地下透水率を推定する深層学習(DL)フレームワークを提案する。
水理物理に基づく地下プロセスモデルを用いて深層学習解析のための合成データを生成する。
提案した弱教師あり学習は3次元透水性領域の空間的特徴を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-10-08T04:17:59Z) - Probabilistic and Geometric Depth: Detecting Objects in Perspective [78.00922683083776]
3次元物体検出は、運転支援システムなどの様々な実用用途で必要とされる重要な機能である。
双眼視やLiDARに頼っている従来の設定に比べて、経済的な解決策として単眼3D検出が注目されているが、それでも満足のいく結果が得られていない。
本稿ではまず,この問題に関する系統的研究を行い,現在の単分子3次元検出問題をインスタンス深度推定問題として単純化できることを考察する。
論文 参考訳(メタデータ) (2021-07-29T16:30:33Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳(メタデータ) (2021-06-01T08:46:04Z) - Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。
ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。
数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文 参考訳(メタデータ) (2020-06-15T23:00:08Z)
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。