論文の概要: Physics-Constrained Denoising Autoencoders for Data-Scarce Wildfire UAV Sensing

• arxiv url: http://arxiv.org/abs/2601.11794v1
• Date: Fri, 16 Jan 2026 21:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.327507
• Title: Physics-Constrained Denoising Autoencoders for Data-Scarce Wildfire UAV Sensing
• Title（参考訳）: データスカース・ワイルドファイアUAVセンシングのための物理拘束型デノイングオートエンコーダ
• Authors: Abdelrahman Ramadan, Zahra Dorbeigi Namaghi, Emily Taylor, Lucas Edwards, Xan Giuliani, David S. McLagan, Sidney Givigi, Melissa Greeff,
• Abstract要約: 森林火災モニタリングには高解像度の大気測定が必要である。 従来のDeep Learning Denoisingアプローチは、限られたUAV飛行キャンペーンから取得するためには、大規模なデータセットを非現実的に要求する。 物理的制約を直接ネットワークアーキテクチャに埋め込むことでデータ不足に対処する物理インフォームド・デノケーション・オートエンコーダであるPC$2$DAEを提案する。
• 参考スコア（独自算出の注目度）: 0.8994003055762606
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Wildfire monitoring requires high-resolution atmospheric measurements, yet low-cost sensors on Unmanned Aerial Vehicles (UAVs) exhibit baseline drift, cross-sensitivity, and response lag that corrupt concentration estimates. Traditional deep learning denoising approaches demand large datasets impractical to obtain from limited UAV flight campaigns. We present PC$^2$DAE, a physics-informed denoising autoencoder that addresses data scarcity by embedding physical constraints directly into the network architecture. Non-negative concentration estimates are enforced via softplus activations and physically plausible temporal smoothing, ensuring outputs are physically admissible by construction rather than relying on loss function penalties. The architecture employs hierarchical decoder heads for Black Carbon, Gas, and CO$_2$ sensor families, with two variants: PC$^2$DAE-Lean (21k parameters) for edge deployment and PC$^2$DAE-Wide (204k parameters) for offline processing. We evaluate on 7,894 synchronized 1 Hz samples collected from UAV flights during prescribed burns in Saskatchewan, Canada (approximately 2.2 hours of flight data), two orders of magnitude below typical deep learning requirements. PC$^2$DAE-Lean achieves 67.3\% smoothness improvement and 90.7\% high-frequency noise reduction with zero physics violations. Five baselines (LSTM-AE, U-Net, Transformer, CBDAE, DeSpaWN) produce 15--23\% negative outputs. The lean variant outperforms wide (+5.6\% smoothness), suggesting reduced capacity with strong inductive bias prevents overfitting in data-scarce regimes. Training completes in under 65 seconds on consumer hardware.
• Abstract（参考訳）: ワイルドファイアモニタリングには高解像度の大気測定が必要であるが、無人航空機(UAV)の低コストセンサーは、濃度を推定するベースラインのドリフト、クロス感度、反応遅延を示す。 従来のDeep Learning Denoisingアプローチは、限られたUAV飛行キャンペーンから取得するためには、大規模なデータセットを非現実的に要求する。 そこで本研究では,ネットワークアーキテクチャに直接物理制約を埋め込むことにより,データ不足に対処する物理インフォームド・デノケーション・オートエンコーダであるPC$2$DAEを提案する。 非負の濃度推定は、ソフトプラス活性化と物理的に妥当な時間的平滑化によって実施され、出力は損失関数のペナルティに頼るのではなく、建設によって物理的に許容される。 このアーキテクチャでは、ブラックカーボン、ガス、CO$2$センサーファミリー用の階層デコーダヘッドが採用されており、エッジデプロイメント用のPC$2$DAE-Lean(21kパラメータ)とオフライン処理用のPC$2$DAE-Wide(204kパラメータ)の2つのバリエーションがある。 カナダ・サスカチュワン(約2.2時間の飛行データ)におけるUAV飛行から収集した7,894個のシンクロナイズド1Hzのサンプルについて検討した。 PC$2$DAE-Leanは67.3\%の滑らかさ向上と90.7\%の高周波ノイズ低減を実現している。 5つのベースライン(LSTM-AE、U-Net、Transformer、CBDAE、DeSpaWN)は15--23\%の負の出力を生成する。 リーン変種は広範囲(+5.6\%の滑らかさ)に優れており、強い誘導バイアスによるキャパシティの低下は、データスカース体制における過度な適合を妨げていることを示唆している。 トレーニングは、コンシューマハードウェア上で65秒未満で完了する。

関連論文リスト

• MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
  MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。 我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。 1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
  論文  参考訳（メタデータ） (2025-11-17T06:17:08Z)
• Physics-informed GNN for medium-high voltage AC power flow with edge-aware attention and line search correction operator [7.927606793404479]
  物理インフォームドグラフニューラルネットワーク(PIGNN)は高速な交流電力フロー解法として登場した。 PIGNN-Attn-LSは電圧0.00033 p.uのRMSE、角度0.08$circ$のRMSEを達成し、それぞれPIGNN-MLPベースラインの99.5%と87.1%を上回っている。
  論文  参考訳（メタデータ） (2025-09-26T15:09:26Z)
• 4,500 Seconds: Small Data Training Approaches for Deep UAV Audio Classification [2.3354223046061016]
  本研究では,UAV分類における深層学習のアプローチについて,データ不足の重要な問題に着目して検討する。 合計4,500秒のオーディオサンプルを使用してモデルをトレーニングし、9クラスのデータセットに均等に分散する。 我々は、畳み込みニューラルネットワーク(CNN)とアテンションベースのトランスフォーマーの使用を比較した。
  論文  参考訳（メタデータ） (2025-05-21T22:34:07Z)
• Real-Time AIoT for AAV Antenna Interference Detection via Edge-Cloud Collaboration [6.7233672503362545]
  第5世代(5G)では,通信干渉源の除去がネットワーク性能の維持に不可欠である。 本稿では,UAVのアンテナ干渉源を検出するコンピュータビジョンに基づくモノのAIを提案する。 システムは、我々のカスタムアンテナ干渉源データセットの平均平均精度(mAP)42.1%で、最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2024-12-04T06:20:36Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)
• Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training [70.2914594796002]
  ラベル割り当て基準と回帰損失関数の形状を調整するための動的R-CNNを提案する。 我々はResNet-50-FPNベースラインを1.9%のAPと5.5%のAP$_90$で改善し、余分なオーバーヘッドを伴わない。
  論文  参考訳（メタデータ） (2020-04-13T15:20:25Z)

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。