Fugu-MT 論文翻訳(概要): Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks

論文の概要: Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks

arxiv url: http://arxiv.org/abs/2411.12948v3
Date: Mon, 17 Feb 2025 01:11:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-18 14:03:12.191114
Title: Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks
Title（参考訳）: スパース津波計ネットワークからのフルフィールド津波波の注意に基づく再構成
Authors: Edward McDugald, Arvind Mohan, Darren Engwirda, Agnese Marcato, Javier Santos,
Abstract要約: 本研究では,津波予報の文脈において,スパースセンシングタスクを行うための,センセイバーとして知られる注目型ニューラルネットワークアーキテクチャの可能性について検討する。我々はこのモデルを用いて、トレーニングセットにエピセンタが含まれていない、信じられないほどスパースな観測から高分解能津波を発生させた。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We investigate the potential of an attention-based neural network architecture known as the Senseiver to perform sparse sensing tasks in the context of tsunami forecasting. In particular, we focus on the Tsunami Data Assimilation Method, where forecasts are derived from tsunameter networks. We used our model to generate high-resolution tsunami waves from incredibly sparse observations, whose epicenters are not included in the training set. We also show significantly improved accuracy in the generation of dense observation networks by comparison to the Linear Interpolation with Huygens-Fresnel Principle.
Abstract（参考訳）: 本研究では,津波予報の文脈において,スパースセンシングタスクを行うための,センセイバーとして知られる注目型ニューラルネットワークアーキテクチャの可能性について検討する。特に,津波計ネットワークから予測を導出する津波データ同化手法に着目した。我々はこのモデルを用いて、トレーニングセットにエピセンタが含まれていない、信じられないほどスパースな観測から高分解能津波を発生させた。また,Huygens-Fresnel Principleを用いた線形補間法との比較により,高密度観測ネットワークの生成精度を著しく向上した。

関連論文リスト

KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文参考訳（メタデータ） (2024-07-18T05:48:24Z)
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)
An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文参考訳（メタデータ） (2023-02-20T16:08:54Z)
Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文参考訳（メタデータ） (2022-09-22T13:12:54Z)
SimuShips -- A High Resolution Simulation Dataset for Ship Detection with Precise Annotations [0.0]
畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
論文参考訳（メタデータ） (2022-09-22T07:33:31Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文参考訳（メタデータ） (2021-07-14T21:10:47Z)
Model discovery in the sparse sampling regime [0.0]
深層学習が部分微分方程式のモデル発見をいかに改善できるかを示す。その結果、ディープラーニングに基づくモデル発見は、基礎となる方程式を復元することができる。我々は合成集合と実験集合の両方について主張する。
論文参考訳（メタデータ） (2021-05-02T06:27:05Z)
There and Back Again: Learning to Simulate Radar Data for Real-World Applications [21.995474023869388]
我々は、シミュレーションされた標高マップに基づいて忠実なレーダー観測を合成できるレーダセンサモデルを学ぶ。我々は、不整合レーダの例から前方センサーモデルを学ぶための敵対的アプローチを採用する。実環境におけるシミュレーションデータに基づいて純粋に訓練された下流セグメンテーションモデルを評価することにより,本手法の有効性を実証する。
論文参考訳（メタデータ） (2020-11-29T15:49:23Z)
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)
Breaking the Limits of Remote Sensing by Simulation and Deep Learning for Flood and Debris Flow Mapping [13.167695669500391]
リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
論文参考訳（メタデータ） (2020-06-09T10:59:15Z)

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。