論文の概要: DREMnet: An Interpretable Denoising Framework for Semi-Airborne Transient Electromagnetic Signal
- arxiv url: http://arxiv.org/abs/2503.22223v1
- Date: Fri, 28 Mar 2025 08:13:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-31 15:28:40.519961
- Title: DREMnet: An Interpretable Denoising Framework for Semi-Airborne Transient Electromagnetic Signal
- Title（参考訳）: DREMnet:半航空機用過渡電磁信号の解釈可能なデノイングフレームワーク
- Authors: Shuang Wang, Ming Guo, Xuben Wang, Fei Deng, Lifeng Mao, Bin Wang, Wenlong Gao,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.676243830905754
- License:
- Abstract: The semi-airborne transient electromagnetic method (SATEM) is capable of conducting rapid surveys over large-scale and hard-to-reach areas. However, the acquired signals are often contaminated by complex noise, which can compromise the accuracy of subsequent inversion interpretations. Traditional denoising techniques primarily rely on parameter selection strategies, which are insufficient for processing field data in noisy environments. With the advent of deep learning, various neural networks have been employed for SATEM signal denoising. However, existing deep learning methods typically use single-mapping learning approaches that struggle to effectively separate signal from noise. These methods capture only partial information and lack interpretability. To overcome these limitations, we propose an interpretable decoupled representation learning framework, termed DREMnet, that disentangles data into content and context factors, enabling robust and interpretable denoising in complex conditions. To address the limitations of CNN and Transformer architectures, we utilize the RWKV architecture for data processing and introduce the Contextual-WKV mechanism, which allows unidirectional WKV to perform bidirectional signal modeling. Our proposed Covering Embedding technique retains the strong local perception of convolutional networks through stacked embedding. Experimental results on test datasets demonstrate that the DREMnet method outperforms existing techniques, with processed field data that more accurately reflects the theoretical signal, offering improved identification of subsurface electrical structures.
- Abstract（参考訳）: 半空中過渡電磁法(SATEM)は、大規模で難解な地域を高速に探査することができる。
しかし、取得した信号はしばしば複雑なノイズによって汚染され、その後の反転解釈の精度を損なう可能性がある。
従来の denoising 技術は主にパラメータ選択戦略に依存しており、ノイズの多い環境下でのフィールドデータの処理には不十分である。
ディープラーニングの出現に伴い、様々なニューラルネットワークがSATEM信号の復調に利用されている。
しかし、既存のディープラーニング手法では、ノイズから効果的に信号を切り離すのに苦労するシングルマッピング学習アプローチが一般的である。
これらの手法は部分的な情報のみをキャプチャし、解釈性に欠ける。
これらの制約を克服するために,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。
CNNとTransformerアーキテクチャの限界に対処するため、データ処理にRWKVアーキテクチャを使用し、一方向WKVが双方向信号モデリングを行うことを可能にするContextual-WKV機構を導入する。
提案手法は,累積埋め込みによる畳み込みネットワークの強い局所認識を維持している。
実験データを用いた実験の結果, DREMnet法は従来の手法より優れており, 理論的信号をより正確に反映し, 地下電気構造の同定精度が向上していることがわかった。
関連論文リスト
- Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
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。
論文 参考訳（メタデータ） (2025-02-19T03:09:49Z) - Radio Map Estimation via Latent Domain Plug-and-Play Denoising [24.114418244026957]
無線マップ推定(RME)は、異なる領域(例えば、空間と周波数)にわたる電波干渉の強度を再構築することを目的としている。
提案手法は,無線地図の基盤となる物理構造を利用し,潜在領域におけるADMMノイズを提案する。
この設計は計算効率を大幅に改善し、ノイズの堅牢性を高める。
論文 参考訳（メタデータ） (2025-01-23T08:42:24Z) - ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals [0.10499611180329801]
脳波(EEG)のアーチファクト除去は神経科学的な分析と脳-コンピュータインターフェース(BCI)のパフォーマンスに大きな影響を及ぼす。
本研究は,脳波信号の過渡ミリ秒スケール特性を順応的に捉えるため,トランスフォーマーアーキテクチャを用いた脳波復調モデルを提案する。
脳波信号処理においてARTが他の深層学習に基づくアーティファクト除去手法を上回ることが確認された。
論文 参考訳（メタデータ） (2024-09-11T15:05:40Z) - DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-09-09T04:40:01Z) - S2S-WTV: Seismic Data Noise Attenuation Using Weighted Total Variation
Regularized Self-Supervised Learning [37.3794830249412]
そこで本稿では, 深層遮音器の容量と手作り正規化の一般化能力を組み合わせた自己教師方式を提案する。
S2S-WTVと呼ばれる本手法は,自己教師型ディープネットワークから得られる高い表現能力と,手作りWTVレギュレータの優れた一般化能力の両方を享受する。
論文 参考訳（メタデータ） (2022-12-27T15:36:09Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-04T15:46:48Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - A Generalizable Model-and-Data Driven Approach for Open-Set RFF
Authentication [74.63333951647581]
高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。
RFF抽出と識別のために機械学習に基づく手法が提案されている。
生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-10T03:59:37Z) - A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。
得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文 参考訳（メタデータ） (2021-04-19T14:43:07Z) - Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。
ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。
残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
論文 参考訳（メタデータ） (2020-04-06T06:34:01Z)
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。