論文の概要: Learning Subglacial Bed Topography from Sparse Radar with Physics-Guided Residuals

• arxiv url: http://arxiv.org/abs/2511.14473v1
• Date: Tue, 18 Nov 2025 13:12:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.127122
• Title: Learning Subglacial Bed Topography from Sparse Radar with Physics-Guided Residuals
• Title（参考訳）: 物理誘導残差を用いたスパースレーダからの亜氷床地形の学習
• Authors: Bayu Adhi Tama, Jianwu Wang, Vandana Janeja, Mostafa Cham,
• Abstract要約: そこで本稿では,BedMachine上での層厚残差を予測する物理誘導型残差学習フレームワークを提案する。 標準エンコーダ(ResNet-50など)上のDeepLabV3+デコーダは、軽量物理学とデータ用語で訓練されている。 グリーンランドの2つのサブリージョンにまたがって,本手法は強いテストコア精度と高い構造忠実度を実現する。
• 参考スコア（独自算出の注目度）: 1.912667743759162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate subglacial bed topography is essential for ice sheet modeling, yet radar observations are sparse and uneven. We propose a physics-guided residual learning framework that predicts bed thickness residuals over a BedMachine prior and reconstructs bed from the observed surface. A DeepLabV3+ decoder over a standard encoder (e.g.,ResNet-50) is trained with lightweight physics and data terms: multi-scale mass conservation, flow-aligned total variation, Laplacian damping, non-negativity of thickness, a ramped prior-consistency term, and a masked Huber fit to radar picks modulated by a confidence map. To measure real-world generalization, we adopt leakage-safe blockwise hold-outs (vertical/horizontal) with safety buffers and report metrics only on held-out cores. Across two Greenland sub-regions, our approach achieves strong test-core accuracy and high structural fidelity, outperforming U-Net, Attention U-Net, FPN, and a plain CNN. The residual-over-prior design, combined with physics, yields spatially coherent, physically plausible beds suitable for operational mapping under domain shift.
• Abstract（参考訳）: 正確な氷床地形は氷床のモデリングには不可欠であるが、レーダー観測は希少で不均一である。 本研究では,BedMachine表面上の層厚残差を事前に予測し,観測面からベッドを再構築する物理誘導残差学習フレームワークを提案する。 標準エンコーダ上のDeepLabV3+デコーダ(例:ResNet-50)は、マルチスケールの質量保存、フローアラインの全変動、ラプラシアン減衰、厚さの非負性性、上昇した事前一貫性項、信頼マップで変調されたレーダーピックに適合するマスク付きハマーなど、軽量な物理とデータ用語で訓練されている。 実世界の一般化を測るために、安全バッファ付きリークセーフブロックワイドホールドアウト(垂直/水平)を採用し、ホールドアウトコアのみにメトリクスを報告する。 グリーンランドの2つのサブリージョンにまたがって,強いテストコア精度と高い構造的忠実度を実現し,U-Net,注意U-Net,FPN,プレーンCNNを上回る性能を実現した。 物理と組み合わさって、ドメインシフトの下での運用マッピングに適した空間的に一貫性があり、物理的に安定なベッドが得られる。

関連論文リスト

• Continuous subsurface property retrieval from sparse radar observations using physics informed neural networks [0.3580891736370874]
  本研究では, 地下誘電率を, 深さの完全なニューラルかつ連続的な関数として再構成する機械学習フレームワークを提案する。 このアプローチは境界駆動から連続特性推定への地下反転を再構成し、滑らかな誘電率変動の正確なキャラクタリゼーションを可能にする。
  論文  参考訳（メタデータ） (2025-10-29T16:09:24Z)
• RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation [51.37553739930992]
  RPCANet++は、RPCAの解釈可能性と効率的なディープアーキテクチャを融合したスパースオブジェクトセグメンテーションフレームワークである。 我々のアプローチは、緩やかなRPCAモデルを背景近似モジュール(BAM)、対象抽出モジュール(OEM)、画像復元モジュール(IRM)からなる構造化ネットワークに展開する。 さまざまなデータセットの実験では、RPCANet++がさまざまなイメージングシナリオの下で最先端のパフォーマンスを達成することが示されている。
  論文  参考訳（メタデータ） (2025-08-06T08:19:37Z)
• RaCalNet: Radar Calibration Network for Sparse-Supervised Metric Depth Estimation [14.466573808593887]
  RaCalNetは、希薄なLiDARを使用して洗練されたレーダー測定の学習を監督することにより、密集した監視の必要性を排除する新しいフレームワークである。 RaCalNetは、透明な物体の輪郭ときめ細かいテクスチャを持つ深度マップを作成し、最先端の密教師付き手法に比べて優れた視覚的品質を示す。
  論文  参考訳（メタデータ） (2025-06-18T15:35:16Z)
• DeepTopoNet: A Framework for Subglacial Topography Estimation on the Greenland Ice Sheets [7.90213840103807]
  本研究では,レーダーによる氷厚観測とBedMachine Greenlandデータを統合するディープラーニングフレームワークを提案する。 提案した損失関数は、レーダーとBedMachineデータの重み付けを適応的に調整し、レーダーカバレッジに制限のある領域で堅牢性を確保する。 Upernavik Isstrom領域で系統的にテストすることにより、このモデルは、亜氷河の地形を再構築する上で、高精度で優れたベースライン法を実現することができる。
  論文  参考訳（メタデータ） (2025-05-29T20:12:27Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• CRAUM-Net: Contextual Recursive Attention with Uncertainty Modeling for Salient Object Detection [0.0]
  マルチスケールのコンテキストアグリゲーション、高度な注意機構、SOD性能向上のための不確実性認識モジュールを統合した新しいフレームワークを提案する。 我々の適応的クロススケールコンテキストモジュールは、再帰的チャネル空間的注意と畳み込みブロック注意を利用して、機能を複数のレベルから効果的に融合する。 ネットワークを堅牢にトレーニングするために,境界感応性とトポロジカル保存損失関数(Boundary IoU,Focal Tversky,Topological Saliency Los)を組み合わせて,ネットワークの信頼性を高める。
  論文  参考訳（メタデータ） (2020-06-04T18:33:59Z)
• Revisiting Initialization of Neural Networks [72.24615341588846]
  ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
  論文  参考訳（メタデータ） (2020-04-20T18:12:56Z)
• Revealing the Structure of Deep Neural Networks via Convex Duality [70.15611146583068]
  我々は,正規化深層ニューラルネットワーク(DNN)について検討し,隠蔽層の構造を特徴付ける凸解析フレームワークを導入する。 正規正規化学習問題に対する最適隠蔽層重みの集合が凸集合の極点として明確に見出されることを示す。 ホワイトデータを持つ深部ReLUネットワークに同じ特徴を応用し、同じ重み付けが成り立つことを示す。
  論文  参考訳（メタデータ） (2020-02-22T21:13:44Z)

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。