論文の概要: Neural Posterior Estimation of Terrain Parameters from Radar Sounder Data
- arxiv url: http://arxiv.org/abs/2605.08179v1
- Date: Tue, 05 May 2026 08:41:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.43164
- Title: Neural Posterior Estimation of Terrain Parameters from Radar Sounder Data
- Title（参考訳）: レーダ音響データによる地すべりパラメータのニューラルネットワークによる後部推定
- Authors: Jordy Dal Corso, Annalena Kofler, Marco Cortellazzi, Lorenzo Bruzzone, Bernhard Schölkopf,
- Abstract要約: レーダ音響データからの地形パラメータインバージョンに対するシミュレーションに基づく推論手法を提案する。
GPUベースのシミュレータからの合成観測は、神経後部推定のためのニューラルネットワークベースの密度推定器の訓練に使用される。
我々は、NPEモデルがシミュレーションデータに基づいて十分に校正され、実際の火星レーダープロファイルに転送可能であることを実証した。
- 参考スコア（独自算出の注目度）: 49.62628745057007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radar sounders are electromagnetic instruments that can probe deep into the subsurface of Earth and other planetary bodies by processing the echo of transmitted radar waves. Conventional approaches for analyzing such data rely on approximate assumptions and often produce point estimates that ignore parameter correlations as well as galactic and measurement noise. We propose a simulation-based inference approach to terrain parameter inversion from radar sounder data, where synthetic observations from a GPU-based simulator are used to train a neural network-based density estimator for neural posterior estimation (NPE). By explicitly conditioning on reference surface assumptions, the proposed framework allows systematic evaluation of posterior robustness to reference surface variability. We demonstrate that our NPE model is well calibrated on simulated data and transferable to real Mars radar profiles, where we analyze terrain parameters using literature-informed reference values.
- Abstract（参考訳）: レーダー発振器(Radar Sounders)は、送信されたレーダー波のエコーを処理することで、地球や他の惑星の地下深くを探査できる電磁装置である。
このようなデータを解析するための従来のアプローチは、近似的な仮定に依存し、しばしばパラメータ相関を無視する点推定と、銀河や測定ノイズを生成する。
レーダ音響データからの地形パラメータのインバージョンに対するシミュレーションに基づく推論手法を提案する。そこでは,GPUを用いたシミュレータから合成観測を行い,ニューラル・リテラル推定(NPE)のためのニューラルネットワークベース密度推定器を訓練する。
基準表面の仮定を明示的に条件付けすることにより、提案フレームワークは、基準表面の変動性に対する後部ロバスト性の評価を体系的に行うことができる。
我々は、NPEモデルがシミュレーションデータに基づいて十分に校正され、実際の火星レーダープロファイルに転送可能であることを実証した。
関連論文リスト
- On the Characterization and Limits of 4D Radar for Aided Inertial Navigation [11.648973329789973]
ノイズモデルは、典型的なレーダセンサの信号処理に第一原理を適用することによって導出される。
この手法はまずシミュレーションによって検討され、異なるノイズ源の意義を評価する。
実験は、様々なフィールド環境と飛行プロファイルにまたがる提案手法の優れたロバスト性と精度を示す。
論文 参考訳（メタデータ） (2026-05-03T08:12:54Z) - Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks [0.0]
本研究では,津波計ネットワークから予測を生成する津波データ同化手法に着目した。
本モデルは,高分解能津波波動場を極めてスパースな観測から再構成するために用いられる。
本研究では,Huygens-Fresnel Principle を用いた線形補間により,高密度観測ネットワークの生成において,線形補間を著しく上回っていることを示す。
論文 参考訳（メタデータ） (2024-11-20T00:42:40Z) - DiffSR: Learning Radar Reflectivity Synthesis via Diffusion Model from Satellite Observations [42.635670495018964]
我々はDiffSRと呼ばれる2段階拡散法を提案し、高周波の詳細と高値領域を生成する。
提案手法は, 最新技術(SOTA)の成果を達成し, 高周波の細部と高値領域を生成できることを実証する。
論文 参考訳（メタデータ） (2024-11-11T04:50:34Z) - Data-Driven Target Localization: Benchmarking Gradient Descent Using the Cramer-Rao Bound [0.2796197251957244]
レーダシステムでは、方位と速度推定を用いた正確な目標位置推定が最重要である。
従来の非バイアス推定法は勾配降下アルゴリズムを用いてクラマーラオ境界の理論限界に達した。
データ駆動型ニューラルネットワークモデルは従来の手法よりも優れており、目標方位の精度と速度推定が向上していることを示す。
論文 参考訳（メタデータ） (2024-01-20T09:26:08Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - Synthetic Wave-Geometric Impulse Responses for Improved Speech
Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。
本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文 参考訳（メタデータ） (2022-12-10T20:15:23Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z)
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。