論文の概要: Turbulence Strength $C_n^2$ Estimation from Video using Physics-based Deep Learning
- arxiv url: http://arxiv.org/abs/2408.16623v1
- Date: Thu, 29 Aug 2024 15:31:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-30 13:12:46.452112
- Title: Turbulence Strength $C_n^2$ Estimation from Video using Physics-based Deep Learning
- Title（参考訳）: 物理深層学習を用いたビデオからの乱流強度$C_n^2$推定
- Authors: Ripon Kumar Saha, Esen Salcin, Jihoo Kim, Joseph Smith, Suren Jayasuriya,
- Abstract要約: 長距離から撮影した画像は、ランダムな温度の空気セルの乱流によるダイナミックな画像歪みに悩まされている。
画像ダンスとして知られるこの現象は、その屈折率-指数構造定数$C_n2$を乱流強度の尺度として特徴付ける。
本稿では、C_n2$推定のための古典的画像勾配法と畳み込みニューラルネットワークを利用した現代のディープラーニングに基づく手法の比較分析を行う。
- 参考スコア（独自算出の注目度）: 2.898558044216394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Images captured from a long distance suffer from dynamic image distortion due to turbulent flow of air cells with random temperatures, and thus refractive indices. This phenomenon, known as image dancing, is commonly characterized by its refractive-index structure constant $C_n^2$ as a measure of the turbulence strength. For many applications such as atmospheric forecast model, long-range/astronomy imaging, and aviation safety, optical communication technology, $C_n^2$ estimation is critical for accurately sensing the turbulent environment. Previous methods for $C_n^2$ estimation include estimation from meteorological data (temperature, relative humidity, wind shear, etc.) for single-point measurements, two-ended pathlength measurements from optical scintillometer for path-averaged $C_n^2$, and more recently estimating $C_n^2$ from passive video cameras for low cost and hardware complexity. In this paper, we present a comparative analysis of classical image gradient methods for $C_n^2$ estimation and modern deep learning-based methods leveraging convolutional neural networks. To enable this, we collect a dataset of video capture along with reference scintillometer measurements for ground truth, and we release this unique dataset to the scientific community. We observe that deep learning methods can achieve higher accuracy when trained on similar data, but suffer from generalization errors to other, unseen imagery as compared to classical methods. To overcome this trade-off, we present a novel physics-based network architecture that combines learned convolutional layers with a differentiable image gradient method that maintains high accuracy while being generalizable across image datasets.
- Abstract（参考訳）: 長距離から撮影された画像は、ランダムな温度の空気セルの乱流によるダイナミックな画像歪みに悩まされ、屈折率が低下する。
画像ダンスとして知られるこの現象は、その屈折率-指数構造定数$C_n^2$を乱流強度の尺度として特徴付ける。
大気予測モデル、長距離/天文学イメージング、航空安全、光通信技術などの多くの応用において、C_n^2$推定は乱流環境を正確に検知するために重要である。
これまでの$C_n^2$推定方法は、単点測定のための気象データ(温度、相対湿度、風のせん断など)からの推定、パス平均の$C_n^2$の光学シンチロメーターによる2方向のパス長測定、そして最近では、低コストでハードウェアの複雑な受動ビデオカメラから$C_n^2$を推定する。
本稿では,C_n^2$推定のための古典的画像勾配法と,畳み込みニューラルネットワークを利用した最新の深層学習法の比較分析を行う。
これを実現するために、地上の真実の基準シンチロメーター測定とともにビデオキャプチャーのデータセットを収集し、このユニークなデータセットを科学コミュニティに公開する。
ディープラーニングの手法は、類似したデータで訓練すると精度が向上するが、従来の手法に比べ、一般化誤差が低い。
このトレードオフを克服するために、学習した畳み込み層と、画像データセット間で一般化可能ながら高い精度を維持した微分可能な画像勾配法を組み合わせた、新しい物理ベースのネットワークアーキテクチャを提案する。
関連論文リスト
- OCAI: Improving Optical Flow Estimation by Occlusion and Consistency Aware Interpolation [55.676358801492114]
本稿では,中間映像フレームと光フローを同時に生成することで,フレームのあいまいさを頑健に支援するOCAIを提案する。
我々は,Sintel や KITTI などの既存のベンチマークにおいて,優れた品質と光フロー精度を実証した。
論文 参考訳（メタデータ） (2024-03-26T20:23:48Z) - Adaptive Federated Learning Over the Air [108.62635460744109]
オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。
解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
論文 参考訳（メタデータ） (2024-03-11T09:10:37Z) - Scalable Bayesian uncertainty quantification with data-driven priors for radio interferometric imaging [5.678038945350452]
次世代の電波干渉計は、前例のない角分解能と感度のおかげで、科学的発見を解き放つ可能性がある。
潜在的な可能性を解き放つ鍵の1つは、受信データの希薄さと複雑さを扱うことである。
本研究では,ラジオインターフェロメトリイメージングにおける不確実性定量化に対処するQuantifAIという手法を提案する。
論文 参考訳（メタデータ） (2023-11-30T19:00:02Z) - RFTrans: Leveraging Refractive Flow of Transparent Objects for Surface
Normal Estimation and Manipulation [50.10282876199739]
本稿では、透明物体の表面正規化と操作のためのRGB-Dに基づくRFTransを提案する。
RFNetは屈折流、物体マスク、境界を予測し、次いでF2Netは屈折流から表面の正常を推定する。
現実のロボットがタスクをつかむと、成功率は83%となり、屈折流が直接シミュレートから現実への移動を可能にすることが証明される。
論文 参考訳（メタデータ） (2023-11-21T07:19:47Z) - High-precision interpolation of stellar atmospheres with a deep neural
network using a 1D convolutional auto encoder for feature extraction [0.0]
我々は、恒星モデル大気を回復するための信頼性、正確、軽量、高速な方法を確立する。
我々は、完全に接続されたディープニューラルネットワークを使用し、1次元畳み込みオートエンコーダを用いてグリッドの非線形性を抽出する。
特徴抽出器として主成分分析を用いた場合よりも,畳み込みオートエンコーダの方が高精度であることを示す。
論文 参考訳（メタデータ） (2023-06-12T08:16:26Z) - {\Pi}-ML: A dimensional analysis-based machine learning parameterization
of optical turbulence in the atmospheric surface layer [0.0]
いわゆる光乱流と呼ばれる大気屈折率の乱流変動は、レーザービームを著しく歪ませることができる。
本稿では,次元解析と勾配向上に基づく物理インフォームド・機械学習(ML)手法である$Pi$-MLを提案し,C_n2$を推定する。
論文 参考訳（メタデータ） (2023-04-24T15:38:22Z) - Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
汚れは視覚的により快適な写真を提供し、写真がより便利になる。
非均一な曖昧さを数学的にモデル化することは困難である。
我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
論文 参考訳（メタデータ） (2023-01-18T06:37:21Z) - Dense Optical Flow from Event Cameras [55.79329250951028]
本稿では,イベントカメラからの高密度光フロー推定に特徴相関と逐次処理を導入することを提案する。
提案手法は、高密度光流を計算し、MVSEC上での終点誤差を23%削減する。
論文 参考訳（メタデータ） (2021-08-24T07:39:08Z) - MeerCRAB: MeerLICHT Classification of Real and Bogus Transients using
Deep Learning [0.0]
本論文では,$textttMeerCRAB$という畳み込みニューラルネットワークアーキテクチャに基づくディープラーニングパイプラインを提案する。
MeerLICHT望遠鏡の過渡検出パイプラインで、真の天体物理源からいわゆる「ボグ」検出をフィルタリングするように設計されています。
論文 参考訳（メタデータ） (2021-04-28T18:12:51Z) - End-to-end Learning for Inter-Vehicle Distance and Relative Velocity
Estimation in ADAS with a Monocular Camera [81.66569124029313]
本稿では,ディープニューラルネットワークのエンドツーエンドトレーニングに基づくカメラによる車間距離と相対速度推定手法を提案する。
提案手法の重要な特徴は,2つの時間的単眼フレームによって提供される複数の視覚的手がかりの統合である。
また,移動場における視線歪みの影響を緩和する車両中心サンプリング機構を提案する。
論文 参考訳（メタデータ） (2020-06-07T08:18:31Z) - Extracting dispersion curves from ambient noise correlations using deep
learning [1.0237120900821557]
本研究では,表面波の分散曲線の位相を分類する機械学習手法を提案する。
受信機のアレイで観測された表面の標準FTAN解析を画像に変換する。
我々は、教師付き学習目標を備えた畳み込みニューラルネットワーク(U-net)アーキテクチャを使用し、伝達学習を取り入れる。
論文 参考訳（メタデータ） (2020-02-05T23:41:12Z)
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。