論文の概要: PhySense: Sensor Placement Optimization for Accurate Physics Sensing

• arxiv url: http://arxiv.org/abs/2505.18190v2
• Date: Tue, 27 May 2025 01:32:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 14:37:19.972838
• Title: PhySense: Sensor Placement Optimization for Accurate Physics Sensing
• Title（参考訳）: PhySense:正確な物理センシングのためのセンサ配置最適化
• Authors: Yuezhou Ma, Haixu Wu, Hang Zhou, Huikun Weng, Jianmin Wang, Mingsheng Long,
• Abstract要約: PhySenseは、物理的なフィールドを共同で再構築し、センサー配置を最適化するフレームワークである。 最先端の物理センサーの精度を達成し、以前は考えられていなかった情報的なセンサー配置を発見する。
• 参考スコア（独自算出の注目度）: 71.02216400133858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics sensing plays a central role in many scientific and engineering domains, which inherently involves two coupled tasks: reconstructing dense physical fields from sparse observations and optimizing scattered sensor placements to observe maximum information. While deep learning has made rapid advances in sparse-data reconstruction, existing methods generally omit optimization of sensor placements, leaving the mutual enhancement between reconstruction and placement on the shelf. To change this suboptimal practice, we propose PhySense, a synergistic two-stage framework that learns to jointly reconstruct physical fields and to optimize sensor placements, both aiming for accurate physics sensing. The first stage involves a flow-based generative model enhanced by cross-attention to adaptively fuse sparse observations. Leveraging the reconstruction feedback, the second stage performs sensor placement via projected gradient descent to satisfy spatial constraints. We further prove that the learning objectives of the two stages are consistent with classical variance-minimization principles, providing theoretical guarantees. Extensive experiments across three challenging benchmarks, especially a 3D geometry dataset, indicate PhySense achieves state-of-the-art physics sensing accuracy and discovers informative sensor placements previously unconsidered.
• Abstract（参考訳）: 物理センシングは多くの科学的・工学的な領域において中心的な役割を担っており、これは本質的に2つの結合したタスクである。 深層学習はスパースデータ再構成において急速に進歩してきたが、既存の手法ではセンサ配置の最適化を省略し、棚への再構築と配置の相互強化を残している。 物理場を協調的に再構築し,センサ配置を最適化する相乗的2段階フレームワークであるPhySenseを提案する。 第1段階は、スパークス観測を適応的に融合するために、クロスアテンションによって強化されたフローベース生成モデルを含む。 再構成フィードバックを活用して、第2段階は、空間的制約を満たすために、投影勾配降下によるセンサ配置を行う。 さらに,2段階の学習目標が古典的分散最小化原理と一致していることが理論的保証を提供する。 3つの挑戦的なベンチマーク、特に3D幾何データセットにわたる大規模な実験は、PhySenseが最先端の物理センサーの精度を達成し、これまで考えられていなかった情報的センサー配置を発見することを示唆している。

関連論文リスト

• Seurat: From Moving Points to Depth [66.65189052568209]
  本研究では,2次元軌跡の空間的関係と時間的変化を調べ,相対的な深度を推定する手法を提案する。 提案手法は,様々な領域にわたる時間的スムーズかつ高精度な深度予測を実現する。
  論文  参考訳（メタデータ） (2025-04-20T17:37:02Z)
• EVLoc: Event-based Visual Localization in LiDAR Maps via Event-Depth Registration [13.066369438849872]
  イベントカメラはバイオインスパイアされたセンサーで、ハイダイナミックレンジや低レイテンシなどいくつかの特長がある。 既存のLiDARマップ内でのローカライズの可能性を探る。 構造的明瞭度を改善する新しいフレームベースのイベント表現を開発する。
  論文  参考訳（メタデータ） (2025-02-28T20:27:49Z)
• A physics-driven sensor placement optimization methodology for temperature field reconstruction [9.976807723785006]
  温度場再構成のための物理駆動型センサ配置最適化(PSPO)手法を提案する。 PSPO法はランダム選択法と均一選択法を大きく上回り、ほぼ一桁の精度で復元精度を向上させる。
  論文  参考訳（メタデータ） (2024-09-27T03:26:38Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal Forecasting [31.398965880415492]
  地球科学システムは、センサーの広範な展開に大きく依存している。 従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。 本稿では,スパース時間データダイナミックスパーストレーニングの概念を初めて紹介し,適応的かつ動的に重要な分布センサをフィルタリングすることにコミットする。
  論文  参考訳（メタデータ） (2024-03-05T12:31:24Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)

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。