論文の概要: Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise
- arxiv url: http://arxiv.org/abs/2502.13395v1
- Date: Wed, 19 Feb 2025 03:09:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-20 20:12:09.834893
- Title: Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise
- Title（参考訳）: 劣化雑音によるDASデータの非教師付きCP-UNetフレームワーク
- Authors: Tianye Huang, Aopeng Li, Xiang Li, Jing Zhang, Sijing Xian, Qi Zhang, Mingkong Lu, Guodong Chen, Liangming Xiong, Xiangyun Hu,
- Abstract要約: 分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。
DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。
これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
- 参考スコア（独自算出の注目度）: 13.466125373185399
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Distributed acoustic sensor (DAS) technology leverages optical fiber cables to detect acoustic signals, providing cost-effective and dense monitoring capabilities. It offers several advantages including resistance to extreme conditions, immunity to electromagnetic interference, and accurate detection. However, DAS typically exhibits a lower signal-to-noise ratio (S/N) compared to geophones and is susceptible to various noise types, such as random noise, erratic noise, level noise, and long-period noise. This reduced S/N can negatively impact data analyses containing inversion and interpretation. While artificial intelligence has demonstrated excellent denoising capabilities, most existing methods rely on supervised learning with labeled data, which imposes stringent requirements on the quality of the labels. To address this issue, we develop a label-free unsupervised learning (UL) network model based on Context-Pyramid-UNet (CP-UNet) to suppress erratic and random noises in DAS data. The CP-UNet utilizes the Context Pyramid Module in the encoding and decoding process to extract features and reconstruct the DAS data. To enhance the connectivity between shallow and deep features, we add a Connected Module (CM) to both encoding and decoding section. Layer Normalization (LN) is utilized to replace the commonly employed Batch Normalization (BN), accelerating the convergence of the model and preventing gradient explosion during training. Huber-loss is adopted as our loss function whose parameters are experimentally determined. We apply the network to both the 2-D synthetic and filed data. Comparing to traditional denoising methods and the latest UL framework, our proposed method demonstrates superior noise reduction performance.
- Abstract（参考訳）: 分散音響センサ(DAS)技術は、光ファイバーケーブルを利用して音響信号を検知し、コスト効率が高く密集した監視機能を提供する。
極端条件に対する耐性、電磁干渉に対する免疫性、正確な検出など、いくつかの利点がある。
しかし、DASは通常、ジオフォンに比べて低信号対雑音比(S/N)を示し、ランダムノイズ、不規則ノイズ、レベルノイズ、長周期ノイズなどの様々なノイズタイプに感受性がある。
これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
人工知能は優れた認知能力を示してきたが、既存のほとんどの方法はラベル付きデータによる教師付き学習に依存しており、ラベルの品質に厳しい要件を課している。
この問題に対処するため,我々は Context-Pyramid-UNet (CP-UNet) に基づくラベルなし無教師学習 (UL) ネットワークモデルを構築し,DASデータにおける不規則およびランダムノイズを抑制する。
CP-UNet は Context Pyramid Module を符号化および復号処理で利用し、特徴を抽出し、DAS データを再構成する。
浅い機能と深い機能との接続性を高めるため、エンコーディングとデコードの両方に接続モジュール(CM)を追加します。
階層正規化(LN)は、一般的に用いられるバッチ正規化(BN)を置き換えるために使用され、モデルの収束を加速し、訓練中の勾配爆発を防止する。
パラメータが実験的に決定される損失関数として,ハマーロスが採用されている。
ネットワークを2次元合成データと申込みデータの両方に適用する。
従来の雑音除去手法や最新のULフレームワークと比較して,提案手法は優れた雑音低減性能を示す。
関連論文リスト
- Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models [1.0579965347526206]
大規模言語モデル(LLM)は、しばしば不正確な、または誤解を招くコンテンツ・ハロシンを生成する。
noise-Augmented Fine-Tuning (NoiseFiT) は適応ノイズ注入を利用してモデルロバスト性を高める新しいフレームワークである。
NoiseFiTは、動的にスケールしたガウス雑音を用いて、高SNR(より堅牢)または低SNR(潜在的に過正規化)と同定された層を選択的に摂動する。
論文 参考訳（メタデータ） (2025-04-04T09:27:19Z) - DREMnet: An Interpretable Denoising Framework for Semi-Airborne Transient Electromagnetic Signal [10.676243830905754]
SATEM法は大規模で難解な地域を迅速調査することができる。
従来の denoising 技術は、ノイズの多い環境でフィールドデータを処理するのに不十分なパラメータ選択戦略に依存している。
本稿では、DREMnetと呼ばれる解釈可能な非結合表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-28T08:13:23Z) - SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。
本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。
既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
論文 参考訳（メタデータ） (2024-03-21T08:49:34Z) - Feature Noise Boosts DNN Generalization under Label Noise [65.36889005555669]
トレーニングデータにおけるラベルノイズの存在は、ディープニューラルネットワーク(DNN)の一般化に大きな影響を与える
本研究では,学習データの特徴に直接ノイズを付加する単純な特徴雑音法を,理論的に導入し,理論的に実証する。
論文 参考訳（メタデータ） (2023-08-03T08:31:31Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral
Image Denoising [9.119226249676501]
ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。
HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。
本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
論文 参考訳（メタデータ） (2023-05-06T13:28:20Z) - Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。
次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。
提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文 参考訳（メタデータ） (2023-02-19T15:24:37Z) - Weak-signal extraction enabled by deep-neural-network denoising of
diffraction data [26.36525764239897]
深層畳み込みニューラルネットワークを用いて、データの復号化を図示する。
ノイズの多いデータでは、電荷の順序から生じる弱信号が可視化され、精度が向上することを示す。
論文 参考訳（メタデータ） (2022-09-19T14:43:01Z) - Removing Noise from Extracellular Neural Recordings Using Fully
Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。
シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-09-18T14:51:24Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z)
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。