論文の概要: Phase-OTDR Event Detection Using Image-Based Data Transformation and Deep Learning

• arxiv url: http://arxiv.org/abs/2512.05830v1
• Date: Fri, 05 Dec 2025 15:52:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.089913
• Title: Phase-OTDR Event Detection Using Image-Based Data Transformation and Deep Learning
• Title（参考訳）: 画像に基づくデータ変換とディープラーニングを用いた位相OTDRイベント検出
• Authors: Muhammet Cagri Yeke, Samil Sirin, Kivilcim Yuksel, Abdurrahman Gumus,
• Abstract要約: 本研究は,光ファイバーにおける事象検出,特に相OTDRシステムを用いた6つの事象の分類に焦点を当てた。 1次元データをグレースケール画像に変換することにより、位相-OTDRデータ解析を強化する新しい手法が提案されている。 提案手法は,EfficientNetB0とDenseNet121モデルを用いて98.84%,98.24%の高分類精度を実現する。
• 参考スコア（独自算出の注目度）: 0.8749675983608171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study focuses on event detection in optical fibers, specifically classifying six events using the Phase-OTDR system. A novel approach is introduced to enhance Phase-OTDR data analysis by transforming 1D data into grayscale images through techniques such as Gramian Angular Difference Field, Gramian Angular Summation Field, and Recurrence Plot. These grayscale images are combined into a multi-channel RGB representation, enabling more robust and adaptable analysis using transfer learning models. The proposed methodology achieves high classification accuracies of 98.84% and 98.24% with the EfficientNetB0 and DenseNet121 models, respectively. A 5-fold cross-validation process confirms the reliability of these models, with test accuracy rates of 99.07% and 98.68%. Using a publicly available Phase-OTDR dataset, the study demonstrates an efficient approach to understanding optical fiber events while reducing dataset size and improving analysis efficiency. The results highlight the transformative potential of image-based analysis in interpreting complex fiber optic sensing data, offering significant advancements in the accuracy and reliability of fiber optic monitoring systems. The codes and the corresponding image-based dataset are made publicly available on GitHub to support further research: https://github.com/miralab-ai/Phase-OTDR-event-detection.
• Abstract（参考訳）: 本研究は,光ファイバーにおける事象検出,特に相OTDRシステムを用いた6つの事象の分類に焦点を当てた。 1DデータをグラミアンAngular差分フィールド、グラミアンAngularサミネーションフィールド、再帰プロットなどの技術を用いて、グレースケールの画像に変換することにより、位相-OTDRデータ解析を強化する新しい手法が導入された。 これらのグレースケール画像はマルチチャネルRGB表現に結合され、転送学習モデルを用いたより堅牢で適応可能な解析を可能にする。 提案手法は,EfficientNetB0モデルとDenseNet121モデルを用いて,98.84%,98.24%の高分類精度を実現する。 5倍のクロスバリデーションプロセスはこれらのモデルの信頼性を確認し、テスト精度は99.07%と98.68%である。 この研究は、利用可能なフェーズ-OTDRデータセットを用いて、データセットのサイズを減らし、分析効率を向上させるとともに、光ファイバーイベントを理解するための効率的なアプローチを示す。 その結果、複雑な光ファイバーセンシングデータの解釈における画像解析の変換可能性を強調し、光ファイバー監視システムの精度と信頼性を著しく向上させた。 コードと対応するイメージベースのデータセットはGitHubで公開されており、さらなる研究をサポートする。

関連論文リスト

• Transformer-Based Neural Network for Transient Detection without Image Subtraction [0.0]
  本稿では, 天体画像における実・ボーグ過渡検出の正確な分類のためのトランスフォーマーベースニューラルネットワークを提案する。 ネットワークは97.4%の分類精度を達成し、トレーニングセットのサイズが大きくなるにつれて差画像の性能を低下させる。 これらの結果は、大規模な天文学的な調査において、超新星検出の精度と効率を向上するネットワークの有効性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-08-22T23:57:24Z)
• CAE-Net: Generalized Deepfake Image Detection using Convolution and Attention Mechanisms with Spatial and Frequency Domain Features [0.6700983301090583]
  クラス不均衡に対処し,アンサンブルベースのアーキテクチャであるemphCAE-Netを考案した。 私たちのアーキテクチャは、畳み込みと注目に基づくアンサンブルネットワークで構成されており、3つの異なるニューラルネットワークアーキテクチャを採用している。 EfficientNet B0アーキテクチャは90.79%、ConvNeXtアーキテクチャは89.49%、DeiTアーキテクチャは89.32%である。
  論文  参考訳（メタデータ） (2025-02-15T06:02:11Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Learning from Synthetic Data for Visual Grounding [55.21937116752679]
  そこで本研究では,SynGroundが市販のビジョン・アンド・ランゲージモデルのローカライズ能力を向上できることを示す。 SynGroundで生成されたデータは、事前訓練されたALBEFモデルとBLIPモデルのポインティングゲーム精度をそれぞれ4.81%、絶対パーセンテージポイント17.11%向上させる。
  論文  参考訳（メタデータ） (2024-03-20T17:59:43Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Limitations of Data-Driven Spectral Reconstruction -- An Optics-Aware Analysis [27.72795283513315]
  データ駆動スペクトル再構成は、費用対効果の高いRGBカメラで捉えたRGB画像からスペクトル情報を抽出することを目的としている。 我々は、現在のデータセットに対する過度に適合する制限を評価する。 我々は,RGBのスペクトル法におけるメタメカや準メタメカの条件を扱うための基本的な限界を明らかにした。
  論文  参考訳（メタデータ） (2024-01-08T11:46:45Z)
• 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)
• Attentive Multimodal Fusion for Optical and Scene Flow [24.08052492109655]
  既存の方法は通常、RGB画像のみに依存するか、後段のモダリティを融合させる。 本稿では,センサモード間の早期情報融合を可能にするFusionRAFTという新しいディープニューラルネットワーク手法を提案する。 提案手法は,RGB画像に影響を及ぼすノイズや低照度条件の存在下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2023-07-28T04:36:07Z)
• Progressively Guided Alternate Refinement Network for RGB-D Salient Object Detection [63.18846475183332]
  我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。 そこで本研究では,改良のための改良ネットワークを提案する。 我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2020-08-17T02:55:06Z)
• UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional Variational Autoencoders [81.5490760424213]
  データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。 そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-13T04:12:59Z)

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。