論文の概要: RestoreAI - Pattern-based Risk Estimation Of Remaining Explosives

• arxiv url: http://arxiv.org/abs/2507.19873v1
• Date: Sat, 26 Jul 2025 09:03:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:56.359199
• Title: RestoreAI - Pattern-based Risk Estimation Of Remaining Explosives
• Title（参考訳）: RestoreAI - 残留爆発物のパターンに基づくリスク推定
• Authors: Björn Kischelewski, Benjamin Guedj, David Wahl,
• Abstract要約: 本稿では,残火薬のパターンに基づくリスク推定のためのAIシステムであるRestoreAIを紹介する。 本稿では,RestoreAIの3つのインスタンス,それぞれ線形,湾曲,ベイズパターンデミネータの実装に焦点をあてる。 トップパフォーマンスのパターンベースのデミネーターは、タイムステップ当たりのクリアされた地雷の平均シェアが14.37ポイント増加した。
• 参考スコア（独自算出の注目度）: 13.412960492870996
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Landmine removal is a slow, resource-intensive process affecting over 60 countries. While AI has been proposed to enhance explosive ordnance (EO) detection, existing methods primarily focus on object recognition, with limited attention to prediction of landmine risk based on spatial pattern information. This work aims to answer the following research question: How can AI be used to predict landmine risk from landmine patterns to improve clearance time efficiency? To that effect, we introduce RestoreAI, an AI system for pattern-based risk estimation of remaining explosives. RestoreAI is the first AI system that leverages landmine patterns for risk prediction, improving the accuracy of estimating the residual risk of missing EO prior to land release. We particularly focus on the implementation of three instances of RestoreAI, respectively, linear, curved and Bayesian pattern deminers. First, the linear pattern deminer uses linear landmine patterns from a principal component analysis (PCA) for the landmine risk prediction. Second, the curved pattern deminer uses curved landmine patterns from principal curves. Finally, the Bayesian pattern deminer incorporates prior expert knowledge by using a Bayesian pattern risk prediction. Evaluated on real-world landmine data, RestoreAI significantly boosts clearance efficiency. The top-performing pattern-based deminers achieved a 14.37 percentage point increase in the average share of cleared landmines per timestep and required 24.45% less time than the best baseline deminer to locate all landmines. Interestingly, linear and curved pattern deminers showed no significant performance difference, suggesting that more efficient linear patterns are a viable option for risk prediction.
• Abstract（参考訳）: 地雷除去は、60か国以上に影響を与えるゆっくりとした資源集約的なプロセスである。 AIは爆発発火(EO)検出を強化するために提案されているが、既存の手法は主に物体認識に焦点を当てており、空間パターン情報に基づく地雷リスクの予測に限られている。 この研究は、以下の研究課題に答えることを目的としている。 AIは、地雷パターンから地雷リスクを予測し、クリアランス時間効率を改善するために、どのように使用できるのか? そこで我々は,残火薬のパターンに基づくリスク推定のためのAIシステムであるRestoreAIを紹介する。 RestoreAIは、地雷パターンをリスク予測に活用した最初のAIシステムである。 本稿では,RestoreAIの3つのインスタンス,それぞれ線形,曲面,ベイズパターンデミネータの実装に着目する。 まず, 主成分分析(PCA)から線形地雷パターンを用いて地雷リスク予測を行う。 第二に、曲線パターンデミネータは主曲線から湾曲した地雷パターンを用いる。 最後に、ベイズパターン決定器はベイズパターンリスク予測を用いて、事前の専門家の知識を取り入れている。 現実世界の地雷データから評価すると、RestoreAIはクリアランスの効率を大幅に向上させる。 トップパフォーマンスのパターンベースのデミネーターは、タイムステップ当たりのクリアされた地雷の平均シェアを14.37ポイント増加させ、すべての地雷を見つけるのに最適なベースラインディミネーターよりも24.45%の時間を必要とした。 興味深いことに、線形および曲線パターンデミネータは大きな性能差を示さず、より効率的な線形パターンがリスク予測に有効な選択肢であることが示唆された。

関連論文リスト

• Delving into Mapping Uncertainty for Mapless Trajectory Prediction [41.70949328930293]
  自動運転の最近の進歩は、地図のないアプローチに向かっている。 高精細(HD)マップは、センサーデータから直接オンラインで生成され、高価なラベリングとメンテナンスの必要性が軽減される。 本研究では,地図の不確実性が軌道予測に最も影響を与える運転シナリオを解析する。 本稿では,地図の不確かさを軌跡予測に適応的に組み込む新しいプロプライオセプティブシナリオゲーティングを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:13:11Z)
• STRAP: Spatial-Temporal Risk-Attentive Vehicle Trajectory Prediction for Autonomous Driving [0.968535561940627]
  本稿では,リスクポテンシャル場を組み込んだ新しい空間的・時間的リスク回避軌道予測フレームワークを提案する。 提案するフレームワークは、解釈可能でリスク対応の予測を提供し、自律運転システムに対するより堅牢な意思決定に寄与する。
  論文  参考訳（メタデータ） (2025-07-11T13:05:35Z)
• Temporal Difference Flows [82.24174052059352]
  Geometric Horizon Models (GHMs) は、将来の状態を直接予測することで、魅力的な代替手段を提供する。 既存の手法は、列車時のブートストラップ予測や、長い地平線で高品質な予測を生成するのに苦慮している。 本稿では,従来の手法の水平長の5倍以上の精度で正確なGHMを学習するために,確率経路上の新しいベルマン方程式の構造を利用した時間差流(TD-Flow)を提案する。
  論文  参考訳（メタデータ） (2025-03-12T20:30:07Z)
• PredictaBoard: Benchmarking LLM Score Predictability [50.47497036981544]
  大きな言語モデル(LLM)は予測不能に失敗することが多い。 これは、安全なデプロイメントを保証する上で、大きな課題となる。 PredictaBoardは,新しいベンチマークフレームワークである。
  論文  参考訳（メタデータ） (2025-02-20T10:52:38Z)
• Data-driven Probabilistic Trajectory Learning with High Temporal Resolution in Terminal Airspace [9.688760969026305]
  混合モデルとSeq2seqに基づくニューラルネットワークの予測および特徴抽出機能を活用するデータ駆動学習フレームワークを提案する。 このフレームワークでトレーニングした後、学習したモデルは長期予測精度を大幅に向上させることができる。 提案手法の精度と有効性は,予測された軌道と基礎的真実とを比較して評価する。
  論文  参考訳（メタデータ） (2024-09-25T21:08:25Z)
• MapEx: Indoor Structure Exploration with Probabilistic Information Gain from Global Map Predictions [6.420382919565209]
  我々は、しばしば予測可能で繰り返しパターンから構成される、構造化された屋内環境を探索するロボットに焦点を当てる。 近年の研究では、深層学習技術を用いて地図の未知領域を予測し、これらの予測を情報ゲイン計算に利用している。 本研究では,予測地図を用いて情報ゲイン推定のための確率的センサモデルを構築する新しい探索フレームワークであるMapExを紹介する。
  論文  参考訳（メタデータ） (2024-09-23T22:48:04Z)
• Real-Time Stochastic Terrain Mapping and Processing for Autonomous Safe Landing [0.0]
  本稿では,新しいリアルタイムな惑星地形マッピングアルゴリズムを開発した。 サンプル点間の地形的不確実性や、スパース3次元測定による不確かさを考慮に入れている。
  論文  参考訳（メタデータ） (2024-09-14T05:12:14Z)
• Desk-AId: Humanitarian Aid Desk Assessment with Geospatial AI for Predicting Landmine Areas [2.105636394911375]
  Desk-AIdは地雷に特化したGeospatial AIアプローチを使用している。 提案システムでは, 確実な危険領域に対して, 地道のみを有するという課題に対処する。 地雷リスク評価のための2つの領域におけるDesk-Aidの評価実験 : 1)国全体で,2)未養殖地域を対象にした。
  論文  参考訳（メタデータ） (2024-05-15T15:39:35Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• A Kriging-Random Forest Hybrid Model for Real-time Ground Property Prediction during Earth Pressure Balance Shield Tunneling [4.211598412777403]
  地圧バランスシールドに先立って, リアルタイムな地盤特性予測を行うために, クリッギング・ランダム森林ハイブリッドモデルを開発した。 提案したKRFアルゴリズムは,事前情報とリアルタイム情報という2種類の情報を合成する。 提案したKRFアルゴリズムは,既存のLightGBM,AdaBoost-CART,および29%,8%,12%を上回り,93%の精度で地盤特性を予測できる。
  論文  参考訳（メタデータ） (2023-05-09T02:16:48Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)

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。