論文の概要: Score-Based Multibeam Point Cloud Denoising

• arxiv url: http://arxiv.org/abs/2409.13143v1
• Date: Fri, 20 Sep 2024 01:15:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 11:41:13.409831
• Title: Score-Based Multibeam Point Cloud Denoising
• Title（参考訳）: スコアベースマルチビームポイントクラウドデノイング
• Authors: Li Ling, Yiping Xie, Nils Bore, John Folkesson,
• Abstract要約: 生MBESデータには半自動フィルタリングを必要とするノイズが1-25%含まれている。 MBES外乱検出とデノナイジングのために,スコアベースのポイントクラウドデノナイジングネットワークを適用した。
• 参考スコア（独自算出の注目度）: 3.0523869645673076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multibeam echo-sounder (MBES) is the de-facto sensor for bathymetry mapping. In recent years, cheaper MBES sensors and global mapping initiatives have led to exponential growth of available data. However, raw MBES data contains 1-25% of noise that requires semi-automatic filtering using tools such as Combined Uncertainty and Bathymetric Estimator (CUBE). In this work, we draw inspirations from the 3D point cloud community and adapted a score-based point cloud denoising network for MBES outlier detection and denoising. We trained and evaluated this network on real MBES survey data. The proposed method was found to outperform classical methods, and can be readily integrated into existing MBES standard workflow. To facilitate future research, the code and pretrained model are available online.
• Abstract（参考訳）: MBES (Multibeam echo-sounder) はバスメータマッピングのためのデファクトセンサである。 近年、安価なMBESセンサーとグローバルマッピングイニシアチブは、利用可能なデータの指数関数的な成長をもたらしている。 しかし、生のMBESデータには半自動フィルタリングを必要とするノイズが1-25%含まれており、Cheld UncertaintyやBathymetric Estimator(CUBE)などのツールが使用されている。 本研究では,3Dポイントクラウドコミュニティからインスピレーションを得て,スコアベースのポイントクラウドデノナイジングネットワークをMBESのアウトレイラ検出とデノナイジングに応用した。 我々は,実際のMBES調査データに基づいて,このネットワークを訓練し,評価した。 提案手法は従来の手法よりも優れており,既存のMBES標準ワークフローに容易に組み込むことができる。 将来の研究を促進するために、コードと事前訓練されたモデルはオンラインで利用可能である。

関連論文リスト

• Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
  我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。 圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
  論文  参考訳（メタデータ） (2024-09-19T17:56:16Z)
• Exploring Green AI for Audio Deepfake Detection [21.17957700009653]
  ディープニューラルネットワークを利用した最先端のオーディオディープフェイク検出器は、印象的な認識性能を示している。 ディープNLPモデルはCOtextsubscript2の約626klbのCOtextsubscript2を生成する。 そこで本研究では,標準CPUリソースを用いてシームレスにトレーニング可能な,オーディオディープフェイク検出のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-21T10:54:21Z)
• 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)
• Device-Free Human State Estimation using UWB Multi-Static Radios [9.097545017048446]
  本研究では,特定のデバイスを携帯する必要なしに,屋内環境の人々の位置,活動,さらには活動も推定できる状態推定フレームワークを提案する。 この「デバイスフリー」なローカライゼーションを実現するために、関心のある環境に分散した安価なUWB(Ultra-Wide Band)センサーを少数使用した。
  論文  参考訳（メタデータ） (2023-12-26T05:51:22Z)
• Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
  本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。 雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:18:15Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• AutoSpeed: A Linked Autoencoder Approach for Pulse-Echo Speed-of-Sound Imaging for Medical Ultrasound [7.909848251752742]
  リンクされたオートエンコーダを用いてSoSマッピングが可能であることを示す。 提案手法はシミュレーションデータに対して平均絶対パーセンテージ誤差(MAPE)が2.39%である。 エンド・ツー・エンドのトレーニングネットワークと比較すると,高い安定性と安定性を示す。
  論文  参考訳（メタデータ） (2022-07-04T21:27:16Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Deep Measurement Updates for Bayes Filters [5.059735037931382]
  本稿では,多種多様なシステムに対する一般的な更新ルールとして,Deep Measurement Update (DMU)を提案する。 DMUは、深度画像を生の入力として処理する条件付きエンコーダ・デコーダニューラルネットワーク構造を持つ。 情報ボトルネックに頼らずに条件変数に敏感なDMUモデルを効率的に訓練する方法を実証する。
  論文  参考訳（メタデータ） (2021-12-01T10:00:37Z)
• Deep Learning based Segmentation of Fish in Noisy Forward Looking MBES Images [1.5469452301122177]
  セマンティックセグメンテーションのためのディープラーニング(DL)と畳み込みニューラルネットワーク(CNN)の最近の進歩に基づいて構築する。 画像ソナーによって投影される全ての射程方位位置に対する魚・魚・魚の確率予測のためのエンドツーエンドのアプローチを実証する。 我々は,本モデルが所望のパフォーマンスを証明し,意味的文脈の重要性を活用することを学習したことを示す。
  論文  参考訳（メタデータ） (2020-06-16T09:57:38Z)

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。