Fugu-MT 論文翻訳(概要): Joint Source-Environment Adaptation for Deep Learning-Based Underwater Acoustic Source Ranging

論文の概要: Joint Source-Environment Adaptation for Deep Learning-Based Underwater Acoustic Source Ranging

arxiv url: http://arxiv.org/abs/2503.23262v1
Date: Sun, 30 Mar 2025 00:32:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-01 19:35:57.021214
Title: Joint Source-Environment Adaptation for Deep Learning-Based Underwater Acoustic Source Ranging
Title（参考訳）: 深層学習に基づく水中音源ラウンジのための共同音源環境適応
Authors: Dariush Kari, Andrew C. Singer,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.795837146925278
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper, we propose a method to adapt a pre-trained deep-learning-based model for underwater acoustic localization to a new environment. We use unsupervised domain adaptation to improve the generalization performance of the model, i.e., using an unsupervised loss, fine-tune the pre-trained network parameters without access to any labels of the target environment or any data used to pre-train the model. This method improves the pre-trained model prediction by coupling that with an almost independent estimation based on the received signal energy (that depends on the source). We show the effectiveness of this approach on Bellhop generated data in an environment similar to that of the SWellEx-96 experiment contaminated with real ocean noise from the KAM11 experiment.
Abstract（参考訳）: 本稿では,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。我々は、教師なしのドメイン適応を用いてモデルの一般化性能を改善する。すなわち、教師なしの損失を用いて、対象の環境のラベルやモデルの事前訓練に使用するデータにアクセスせずに、トレーニング済みのネットワークパラメータを微調整する。この方法は、受信した信号エネルギー(ソースに依存する)に基づいてほぼ独立した推定値とを結合することにより、事前訓練されたモデル予測を改善する。 KAM11実験から海音に汚染された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。

関連論文リスト

Mismatch-Robust Underwater Acoustic Localization Using A Differentiable Modular Forward Model [4.2671394819888455]
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。
論文参考訳（メタデータ） (2025-03-30T00:12:20Z)
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)
Optimal Transport-Guided Source-Free Adaptation for Face Anti-Spoofing [58.56017169759816]
本稿では,テスト時に顔のアンチスプーフィングモデルをクライアント自身でターゲットドメインに適応させる新しい手法を提案する。具体的には,プロトタイプベースモデルと最適トランスポート誘導型アダプタを開発した。近年の手法と比較して、クロスドメインおよびクロスアタック設定では、HTERが19.17%、AUCが8.58%の平均相対的改善が達成されている。
論文参考訳（メタデータ） (2025-03-29T06:10:34Z)
Unsupervised Parameter Efficient Source-free Post-pretraining [52.27955794126508]
教師なしのUpStepを紹介します。ソースドメインからターゲットドメインへのベースモデルを適応するための、ソースフリーのポストプレトレーニングアプローチ。私たちは、Imagenetをベースモデルとして、教師付きおよび教師なしの両方でトレーニングされた、さまざまな一般的なバックボーンアーキテクチャを使用します。
論文参考訳（メタデータ） (2025-02-28T18:54:51Z)
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)
Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文参考訳（メタデータ） (2024-03-11T16:22:41Z)
Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文参考訳（メタデータ） (2024-02-02T05:53:22Z)
Unmasking Bias in Diffusion Model Training [40.90066994983719]
拡散モデルが画像生成の主流のアプローチとして登場した。トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
論文参考訳（メタデータ） (2023-10-12T16:04:41Z)
Domain Generalization Guided by Gradient Signal to Noise Ratio of Parameters [69.24377241408851]
ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
論文参考訳（メタデータ） (2023-10-11T10:21:34Z)
Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
論文参考訳（メタデータ） (2023-09-29T06:18:15Z)
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)

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。