Fugu-MT 論文翻訳(概要): Mismatch-Robust Underwater Acoustic Localization Using A Differentiable Modular Forward Model

論文の概要: Mismatch-Robust Underwater Acoustic Localization Using A Differentiable Modular Forward Model

arxiv url: http://arxiv.org/abs/2503.23260v1
Date: Sun, 30 Mar 2025 00:12:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-01 19:35:57.020006
Title: Mismatch-Robust Underwater Acoustic Localization Using A Differentiable Modular Forward Model
Title（参考訳）: 微分可能モードフォワードモデルを用いたMismatch-Robust水中音像定位
Authors: Dariush Kari, Yongjie Zhuang, Andrew C. Singer,
Abstract要約: 我々は、勾配に基づくフレームワークにおける音波伝搬の事前学習ニューラルネットワークを用いて、音源位置を推定する。物理に着想を得たモジュラリティをフォワードモデルに導入し,マルチパス構造のパス長をエンドツーエンドの学習方法で学習する。
参考スコア（独自算出の注目度）: 4.2671394819888455
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper, we study the underwater acoustic localization in the presence of environmental mismatch. Especially, we exploit a pre-trained neural network for the acoustic wave propagation in a gradient-based optimization framework to estimate the source location. To alleviate the effect of mismatch between the training data and the test data, we simultaneously optimize over the network weights at the inference time, and provide conditions under which this method is effective. Moreover, we introduce a physics-inspired modularity in the forward model that enables us to learn the path lengths of the multipath structure in an end-to-end training manner without access to the specific path labels. We investigate the validity of the assumptions in a simple yet illustrative environment model.
Abstract（参考訳）: 本稿では,環境ミスマッチの存在下での水中音像定位について検討する。特に、勾配最適化フレームワークにおける音波伝搬の事前学習ニューラルネットワークを用いて、音源位置を推定する。トレーニングデータとテストデータとのミスマッチの影響を軽減するため,推定時のネットワーク重みを同時に最適化し,本手法が有効である条件を提供する。さらに,フォワードモデルに物理に着想を得たモジュラリティを導入し,特定のパスラベルにアクセスすることなく,エンド・ツー・エンドのトレーニング方法でマルチパス構造のパス長を学習できるようにする。簡単な環境モデルにおける仮定の有効性について検討する。

関連論文リスト

Joint Source-Environment Adaptation for Deep Learning-Based Underwater Acoustic Source Ranging [4.795837146925278]
本研究では,水中音像定位のための事前学習型深層学習モデルを提案する。教師なし領域適応を用いてモデルの一般化性能を向上させる。 SWellEx-96実験と同様の環境下でのベルホップ生成データに対するこのアプローチの有効性を示す。
論文参考訳（メタデータ） (2025-03-30T00:32:51Z)
Joint Source-Environment Adaptation of Data-Driven Underwater Acoustic Source Ranging Based on Model Uncertainty [4.2671394819888455]
事前学習されたディープラーニングモデルを新しい未知の環境に適用することは、水中の音像定位において難しい課題である。事前トレーニングされたモデルは、トレーニングデータとテストデータのミスマッチに苦しむパフォーマンスを持つが、一般的に、ミスマッチがより多い環境では、より高いインプリード不確実性を示す'。本研究では,モデル予測の不確かさの定量化に有効な手法と,事前学習したモデルがテスト時に見つからない水中環境に適応するための革新的なアプローチを用いる。
論文参考訳（メタデータ） (2025-03-30T00:00:17Z)
PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency [8.719356558714246]
フルウェーブフォーム・インバージョン(Full-waveform Inversion、FWI)は、地震データを用いて地下媒体の物理パラメータを反転させる手法である。異常な性質のため、FWIは局所的なミニマに閉じ込められやすい。ニューラルネットワークとFWIを組み合わせることで、インバージョンプロセスの安定化が試みられている。
論文参考訳（メタデータ） (2025-02-17T15:30:17Z)
Structured Optimal Variational Inference for Dynamic Latent Space Models [16.531262817315696]
動的ネットワークの潜在空間モデルについて検討し、その目的は、ペアの内積と潜在位置のインターセプトを推定することである。後部推論と計算スケーラビリティのバランスをとるために、構造的平均場変動推論フレームワークを検討する。
論文参考訳（メタデータ） (2022-09-29T22:10:42Z)
Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文参考訳（メタデータ） (2022-08-22T14:04:56Z)
PointFix: Learning to Fix Domain Bias for Robust Online Stereo Adaptation [67.41325356479229]
本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
論文参考訳（メタデータ） (2022-07-27T07:48:29Z)
Towards Robust Waveform-Based Acoustic Models [41.82019240477273]
本研究では,実験条件とトレーニング条件のミスマッチを特徴とする,ロバストな音響モデル学習手法を提案する。本手法は,入力空間上の経験的密度を定義するデルタ関数を,トレーニングサンプル近傍の限界人口密度の近似で置き換えることにより,トレーニング中のリスク推定を改善することを目的としている。
論文参考訳（メタデータ） (2021-10-16T18:21:34Z)
Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文参考訳（メタデータ） (2021-05-03T07:23:39Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文参考訳（メタデータ） (2020-06-19T22:05:19Z)
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。