論文の概要: Reservoir-enhanced Segment Anything Model for Subsurface Diagnosis
- arxiv url: http://arxiv.org/abs/2504.18802v1
- Date: Sat, 26 Apr 2025 05:13:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.996256
- Title: Reservoir-enhanced Segment Anything Model for Subsurface Diagnosis
- Title（参考訳）: 地下診断のための貯留層拡張セグメンテーションモデル
- Authors: Xiren Zhou, Shikang Liu, Xinyu Yan, Yizhan Fan, Xiangyu Wang, Yu Kang, Jian Cheng, Huanhuan Chen,
- Abstract要約: 都市部の道路やインフラは、市の運営に欠かせないものであり、ひび割れやキャビティのような地下の異常から増大する脅威に直面している。
地中貫入レーダ(GPR)は、電磁波(EM)を用いた地下条件を効果的に可視化する。
しかし、GPRによる正確な異常検出は、限られたラベル付きデータ、異なる地下条件、不特定ターゲット境界により、依然として困難である。
本稿では,GPRデータの視覚的識別性と波動変化特性を両立させるため,Reservoir-enhanced Segment Anything Model (Res-SAM)を提案する。
- 参考スコア（独自算出の注目度）: 24.223897705640105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban roads and infrastructure, vital to city operations, face growing threats from subsurface anomalies like cracks and cavities. Ground Penetrating Radar (GPR) effectively visualizes underground conditions employing electromagnetic (EM) waves; however, accurate anomaly detection via GPR remains challenging due to limited labeled data, varying subsurface conditions, and indistinct target boundaries. Although visually image-like, GPR data fundamentally represent EM waves, with variations within and between waves critical for identifying anomalies. Addressing these, we propose the Reservoir-enhanced Segment Anything Model (Res-SAM), an innovative framework exploiting both visual discernibility and wave-changing properties of GPR data. Res-SAM initially identifies apparent candidate anomaly regions given minimal prompts, and further refines them by analyzing anomaly-induced changing information within and between EM waves in local GPR data, enabling precise and complete anomaly region extraction and category determination. Real-world experiments demonstrate that Res-SAM achieves high detection accuracy (>85%) and outperforms state-of-the-art. Notably, Res-SAM requires only minimal accessible non-target data, avoids intensive training, and incorporates simple human interaction to enhance reliability. Our research provides a scalable, resource-efficient solution for rapid subsurface anomaly detection across diverse environments, improving urban safety monitoring while reducing manual effort and computational cost.
- Abstract（参考訳）: 都市部の道路やインフラは、市の運営に欠かせないものであり、ひび割れやキャビティのような地下の異常から増大する脅威に直面している。
地中貫入レーダ(GPR)は、電磁(EM)波を用いた地下条件を効果的に可視化するが、限られたラベル付きデータ、異なる地下条件、不特定ターゲット境界により、GPRによる正確な異常検出は困難である。
視覚的にイメージライクではあるが、GPRデータは基本的にEM波を表現しており、異常を識別するためには波内および波間のばらつきが不可欠である。
本稿では,GPRデータの視覚的識別性と波動変化特性を利用したReservoir-enhanced Segment Anything Model (Res-SAM)を提案する。
Res-SAMは、まず、最小限のプロンプトを与えられた明らかな候補異常領域を特定し、局所的なGPRデータ中のEM波内および間における異常に誘発される変化情報を解析し、正確かつ完全な異常領域抽出とカテゴリー決定を可能にすることにより、それらを洗練する。
実世界の実験では、Res-SAMは高い検出精度(>85%)を達成し、最先端技術を上回っている。
特に、Res-SAMは最小限の非ターゲットデータしか必要とせず、集中的なトレーニングを回避し、信頼性を高めるために単純なヒューマンインタラクションを組み込む。
本研究は,多様な環境にまたがる高速地下異常検出のためのスケーラブルで資源効率の高いソリューションを提供し,手作業や計算コストを削減しつつ,都市の安全監視を改善した。
関連論文リスト
- Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。
ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。
本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
論文 参考訳（メタデータ） (2025-04-28T12:00:10Z) - ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。
HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。
計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
論文 参考訳（メタデータ） (2025-04-16T05:33:42Z) - UASTHN: Uncertainty-Aware Deep Homography Estimation for UAV Satellite-Thermal Geo-localization [8.458431678423963]
本稿では,Deep Homography Estimation (DHE)タスクにおける不確実性推定(UE)の新しいアプローチであるUASTHNを提案する。
データ不確実性を効果的に測定するために,クロップベースのテスト時間拡張(CropTTA)戦略を導入する。
我々の研究は、局所化と不確実性推定の幅広い交点に関する深い洞察を提供する。
論文 参考訳（メタデータ） (2025-02-03T04:14:20Z) - Adaptive Signal Analysis for Automated Subsurface Defect Detection Using Impact Echo in Concrete Slabs [0.0]
本研究は,コンクリートスラブの地下欠陥発生領域を検出するための,新しい,自動化された,スケーラブルな手法を提案する。
このアプローチは、高度な信号処理、クラスタリング、および視覚分析を統合して、地下の異常を識別する。
結果は方法論の堅牢性を示し、最小限の偽陽性とほとんど欠陥のない欠陥発生領域を一貫して同定した。
論文 参考訳（メタデータ） (2024-12-23T20:05:53Z) - PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [76.95536611263356]
PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。
複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。
PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。
本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
論文 参考訳（メタデータ） (2024-12-17T09:59:53Z) - DEMONet: Underwater Acoustic Target Recognition based on Multi-Expert Network and Cross-Temporal Variational Autoencoder [22.271499386492533]
複雑な水中環境のため、実世界のシナリオで堅牢な水中音響認識システムを構築することは困難である。
ノイズの封筒変調(DEMON)を検出することで,ターゲットのシャフト周波数やブレード数に対するロバストな洞察を提供するDEMONetを提案する。
DEMON特徴量におけるノイズとスプリアス変調スペクトルを緩和するために、時間的アライメント戦略を導入し、ノイズ耐性のDEMONスペクトルを再構成して生のDEMON特徴量を置き換えるために可変オートエンコーダ(VAE)を用いる。
論文 参考訳（メタデータ） (2024-11-05T03:04:51Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Underwater Acoustic Target Recognition based on Smoothness-inducing Regularization and Spectrogram-based Data Augmentation [21.327653766608805]
不十分なデータは、複雑なモデリングをサポートする認識システムの能力を阻害する可能性がある。
限られたデータの場合,モデルの一般化能力を高めるための2つの戦略を提案する。
論文 参考訳（メタデータ） (2023-06-12T08:26:47Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Improving the Anomaly Detection in GPR Images by Fine-Tuning CNNs with
Synthetic Data [15.135116675531574]
グラウンド・ペネトレーション・レーダー(GPR)は、いくつかの都市道路や地下施設の健全な運転を推定するために広く利用されている。
地表面の異常をGPRで特定する場合、得られたデータは不均衡にすることができる。
GPRBスキャン画像からの地表面異常検出を改善するために,新しい手法を提案する。
論文 参考訳（メタデータ） (2022-10-21T09:25:15Z)
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。