論文の概要: A Novel Shape-Aware Topological Representation for GPR Data with DNN Integration

• arxiv url: http://arxiv.org/abs/2506.06311v1
• Date: Mon, 26 May 2025 10:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.046024
• Title: A Novel Shape-Aware Topological Representation for GPR Data with DNN Integration
• Title（参考訳）: DNN統合によるGPRデータのための新しい形状対応トポロジ表現
• Authors: Meiyan Kang, Shizuo Kaji, Sang-Yun Lee, Taegon Kim, Hee-Hwan Ryu, Suyoung Choi,
• Abstract要約: 地中貫入レーダ(GPR)は地下探査に広く用いられている非破壊試験(NDT)技術である。 本研究では,地下施設,特にパイプラインの発見を促進する新しい枠組みを提案する。 本研究では, 入力データの構造的特徴を増幅し, 埋設物の幾何学的特徴に対するモデルの応答性を向上する新しい形状対応トポロジ表現を提案する。
• 参考スコア（独自算出の注目度）: 3.367318729981566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ground Penetrating Radar (GPR) is a widely used Non-Destructive Testing (NDT) technique for subsurface exploration, particularly in infrastructure inspection and maintenance. However, conventional interpretation methods are often limited by noise sensitivity and a lack of structural awareness. This study presents a novel framework that enhances the detection of underground utilities, especially pipelines, by integrating shape-aware topological features derived from B-scan GPR images using Topological Data Analysis (TDA), with the spatial detection capabilities of the YOLOv5 deep neural network (DNN). We propose a novel shape-aware topological representation that amplifies structural features in the input data, thereby improving the model's responsiveness to the geometrical features of buried objects. To address the scarcity of annotated real-world data, we employ a Sim2Real strategy that generates diverse and realistic synthetic datasets, effectively bridging the gap between simulated and real-world domains. Experimental results demonstrate significant improvements in mean Average Precision (mAP), validating the robustness and efficacy of our approach. This approach underscores the potential of TDA-enhanced learning in achieving reliable, real-time subsurface object detection, with broad applications in urban planning, safety inspection, and infrastructure management.
• Abstract（参考訳）: 地中貫入レーダ (GPR) は地中探査、特にインフラの検査・保守に広く用いられている非破壊試験(NDT)技術である。 しかし、従来の解釈法は、ノイズ感度と構造的認識の欠如によって制限されることが多い。 本研究では, トポロジカルデータ解析(TDA)を用いたBスキャンGPR画像から得られる形状認識トポロジカル特徴と, YOLOv5ディープニューラルネットワーク(DNN)の空間的検出機能を統合することにより, 地下ユーティリティ, 特にパイプラインの検出を向上させる新しいフレームワークを提案する。 本研究では, 入力データの構造的特徴を増幅し, 埋設物の幾何学的特徴に対するモデルの応答性を向上する新しい形状対応トポロジ表現を提案する。 注釈付き実世界のデータの不足に対処するため、多種多様なリアルな合成データセットを生成するSim2Real戦略を採用し、シミュレートされた実世界のドメインと実世界のドメインのギャップを効果的に埋める。 実験の結果,平均精度 (mAP) が有意に向上し, 本手法の堅牢性と有効性が確認された。 このアプローチは, 都市計画, 安全検査, インフラ管理において, 信頼性の高い, リアルタイムな地下物体検出を実現するためのTDA強化学習の可能性を示すものである。

関連論文リスト

• Towards Scalable Foundation Model for Multi-modal and Hyperspectral Geospatial Data [14.104497777255137]
  本稿では,3つのイノベーションを取り入れた高効率空間スペクトル変換器について紹介する。 位置マスキングとチャネルマスキングを統合したHyperspectral Masked Autoencoderフレームワークを用いたLESS ViTの事前訓練を行った。 実験により, 提案手法は, 最先端のマルチモーダル地空間基盤モデルと競合する性能を示す。
  論文  参考訳（メタデータ） (2025-03-17T05:42:19Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
  本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。 擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。 実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
  論文  参考訳（メタデータ） (2024-12-18T13:03:00Z)
• Preserving Information: How does Topological Data Analysis improve Neural Network performance? [0.0]
  本稿では,画像認識におけるトポロジカルデータ解析(TDA)と畳み込みニューラルネットワーク(CNN)の統合手法を提案する。 我々のアプローチは、ベクトルスチッチ(Vector Stitching)と呼ばれ、生画像データと追加のトポロジ情報を組み合わせたものである。 実験の結果は,追加データ解析の結果をネットワークの推論プロセスに組み込むことの可能性を強調した。
  論文  参考訳（メタデータ） (2024-11-27T14:56:05Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。