Fugu-MT 論文翻訳(概要): Mapping The Layers of The Ocean Floor With a Convolutional Neural Network

論文の概要: Mapping The Layers of The Ocean Floor With a Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2412.05329v1
Date: Wed, 04 Dec 2024 15:26:48 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-10 14:58:36.793301
Title: Mapping The Layers of The Ocean Floor With a Convolutional Neural Network
Title（参考訳）: 畳み込みニューラルネットワークによる海底層マッピング
Authors: Guilherme G. D. Fernandes, Vitor S. P. P. Oliveira, João P. I. Astolfo,
Abstract要約: 既存の解法は、複雑で計算コストのかかる地震探査法や波動インバージョンを通したマッピングを含む。海底から反射した地震写真に基づいて速度モデルを予測するための人工ニューラルネットワーク、特にUNetの導入は、このプロセスの最適化を約束している。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: The mapping of ocean floor layers is a current challenge for the oil industry. Existing solution methods involve mapping through seismic methods and wave inversion, which are complex and computationally expensive. The introduction of artificial neural networks, specifically UNet, to predict velocity models based on seismic shots reflected from the ocean floor shows promise for optimising this process. In this study, two neural network architectures are validated for velocity model inversion and compared in terms of stability metrics such as loss function and similarity coefficient, as well as the differences between predicted and actual models. Indeed, neural networks prove promising as a solution to this challenge, achieving S{\o}rensen-Dice coefficient values above 70%.
Abstract（参考訳）: 海底層のマッピングは石油産業にとって現在課題となっている。既存の解法は、複雑で計算コストのかかる地震探査法や波動インバージョンを通したマッピングを含む。海底から反射した地震写真に基づいて速度モデルを予測するための人工ニューラルネットワーク、特にUNetの導入は、このプロセスの最適化を約束している。本研究では,2つのニューラルネットワークアーキテクチャを速度モデルインバージョンに対して検証し,損失関数や類似度係数などの安定性指標と,予測モデルと実モデルとの差を比較した。実際、ニューラルネットワークはこの課題の解決策として有望であると証明し、S{\o}rensen-Dice係数値を70%以上達成した。

関連論文リスト

WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文参考訳（メタデータ） (2024-07-18T11:51:01Z)
Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
論文参考訳（メタデータ） (2023-08-03T13:56:07Z)
Layer-wise Linear Mode Connectivity [52.6945036534469]
ニューラルネットワークパラメータの平均化は、2つの独立したモデルの知識の直感的な方法である。フェデレートラーニングにおいて最も顕著に用いられている。私たちは、単一グループやグループを平均化するモデルの性能を分析します。
論文参考訳（メタデータ） (2023-07-13T09:39:10Z)
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)
A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文参考訳（メタデータ） (2023-01-24T08:39:20Z)
SeismicNet: Physics-informed neural networks for seismic wave modeling in semi-infinite domain [11.641708412097659]
半無限領域における地震波モデリングのための新しい物理インフォームドニューラルネットワーク(PINN)モデルを提案する。計算効率の面では、ネットワークのスケーラビリティと解の精度を向上させるために、時間領域分解による逐次訓練戦略を検討する。提案したPINNモデルの性能を評価するために,様々な数値実験が実施されている。
論文参考訳（メタデータ） (2022-10-25T14:25:07Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
論文参考訳（メタデータ） (2021-08-11T19:17:39Z)
DuRIN: A Deep-unfolded Sparse Seismic Reflectivity Inversion Network [23.080395291046408]
地震データから界面の位置と反射係数の振幅を復元する反射地震学の問題を考察する。重み付きminimax-concave penalty-regularized reflectivity inversion法を提案し,モデルベースニューラルネットワークを用いて解く。
論文参考訳（メタデータ） (2021-04-10T07:49:38Z)
Interpolation between Residual and Non-Residual Networks [24.690238357686134]
ダンピング項を追加することで,新しいODEモデルを提案する。提案モデルでは係数を調整してResNetとCNNの両方を復元可能であることを示す。複数の画像分類ベンチマーク実験により,提案手法はResNetとResNeXtの精度を大幅に向上することが示された。
論文参考訳（メタデータ） (2020-06-10T09:36:38Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。