論文の概要: GPR-OdomNet: Difference and Similarity-Driven Odometry Estimation Network for Ground Penetrating Radar-Based Localization

• arxiv url: http://arxiv.org/abs/2511.17457v1
• Date: Fri, 21 Nov 2025 17:59:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.156573
• Title: GPR-OdomNet: Difference and Similarity-Driven Odometry Estimation Network for Ground Penetrating Radar-Based Localization
• Title（参考訳）: GPR-OdomNet:地中レーダ位置推定のための差分と類似度によるオドメトリー推定ネットワーク
• Authors: Huaichao Wang, Xuanxin Fan, Ji Liu, Haifeng Li, Dezhen Song,
• Abstract要約: 本研究では,Bスキャン画像間のユークリッド距離を正確に推定するニューラルネットワークを用いた新しいオドメトリー手法を提案する。 実験結果から,本手法はすべての試験において常に最先端の手法よりも優れることがわかった。
• 参考スコア（独自算出の注目度）: 10.95813657337033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When performing robot/vehicle localization using ground penetrating radar (GPR) to handle adverse weather and environmental conditions, existing techniques often struggle to accurately estimate distances when processing B-scan images with minor distinctions. This study introduces a new neural network-based odometry method that leverages the similarity and difference features of GPR B-scan images for precise estimation of the Euclidean distances traveled between the B-scan images. The new custom neural network extracts multi-scale features from B-scan images taken at consecutive moments and then determines the Euclidean distance traveled by analyzing the similarities and differences between these features. To evaluate our method, an ablation study and comparison experiments have been conducted using the publicly available CMU-GPR dataset. The experimental results show that our method consistently outperforms state-of-the-art counterparts in all tests. Specifically, our method achieves a root mean square error (RMSE), and achieves an overall weighted RMSE of 0.449 m across all data sets, which is a 10.2\% reduction in RMSE when compared to the best state-of-the-art method.
• Abstract（参考訳）: 地中レーダ(GPR)を用いてロボット/車両のローカライゼーションを行い、悪天候や環境条件に対処する際、既存の技術では、Bスキャン画像を微妙な区別で処理する際に距離を正確に見積もることに苦慮することが多い。 本研究では,GPR B-Scan画像の類似性と相違点を利用して,B-Scan画像間のユークリッド距離を正確に推定するニューラルネットワークを用いた新しいオドメトリー手法を提案する。 この新しいカスタムニューラルネットワークは、連続した瞬間に撮影されたBスキャン画像からマルチスケールの特徴を抽出し、これらの特徴の類似点と相違点を分析して走行するユークリッド距離を決定する。 本手法を評価するために,CMU-GPRデータセットを用いてアブレーション実験と比較実験を行った。 実験結果から,本手法はすべての試験において常に最先端の手法よりも優れることがわかった。 具体的には,本手法は根平均二乗誤差(RMSE)を実現し,全データセットで0.449mの加重RMSEを実現する。

関連論文リスト

• Image-Based Metrics in Ultrasound for Estimation of Global Speed-of-Sound [2.353522823873959]
  組織音速(SoS)を推定するための新しい簡便なアプローチとして,従来の画像解析手法とメトリクスを活用することを提案する。 数値シミュレーションおよびファントム実験において,画像品質,画像類似性,多フレーム変動を評価するために,11の指標について検討した。
  論文  参考訳（メタデータ） (2025-03-18T10:11:49Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Annotation Cost-Efficient Active Learning for Deep Metric Learning Driven Remote Sensing Image Retrieval [3.2109665109975696]
  ANNEALは、類似した、異種のイメージペアで構成された、小さくて情報的なトレーニングセットを作成することを目的としている。 不確実性と多様性の基準を組み合わせることにより、画像対の情報性を評価する。 このアノテート方式は、ランド・ユース・ランド・カバー・クラスラベルによるアノテート画像と比較して、アノテーションコストを著しく削減する。
  論文  参考訳（メタデータ） (2024-06-14T15:08:04Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Implicit field learning for unsupervised anomaly detection in medical images [0.8122270502556374]
  オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。 回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。 脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
  論文  参考訳（メタデータ） (2021-06-09T16:57:22Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
  我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。 我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。 定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
  論文  参考訳（メタデータ） (2020-03-15T08:13:16Z)
• SUR-FeatNet: Predicting the Satisfied User Ratio Curvefor Image Compression with Deep Feature Learning [15.2348952809434]
  本研究では,SUR曲線の予測に初となる深層学習手法を提案する。 最適なパラメトリックモデルを選択するために、最大推定法とアンダーソン・ダーリング試験を適用する方法を示す。 私たちのディープラーニングアプローチは、シアムの畳み込みニューラルネットワーク、トランスファーラーニング、ディープフィーチャーラーニングに依存しています。
  論文  参考訳（メタデータ） (2020-01-07T12:37:07Z)

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。