論文の概要: A Novel Method with Encoder-Decoder for Cross-Sensor Adaptation in Surface Shape Sensing with Sparse Strain Sensors

• arxiv url: http://arxiv.org/abs/2606.05903v1
• Date: Thu, 04 Jun 2026 09:07:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.679749
• Title: A Novel Method with Encoder-Decoder for Cross-Sensor Adaptation in Surface Shape Sensing with Sparse Strain Sensors
• Title（参考訳）: スパースひずみセンサを用いた表面形状センサにおけるクロスセンサ適応のためのエンコーダデコーダを用いた新しい手法
• Authors: Shuo Wang, Heng Luo, Dian Jin, Xiaoming Tao,
• Abstract要約: 本研究では,スパースひずみセンサに基づく表面形状センサのためのエンコーダデコーダアーキテクチャを提案する。 メタラーニングと少数ショット適応戦略を取り入れ、センサーアレイの異なるグループに適応できるようにする。 その結果, 表面形状センサのコストと訓練負担を大幅に低減できることがわかった。
• 参考スコア（独自算出の注目度）: 12.931738829351433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Performance variations in sensor arrays, caused by intrinsic differences or installation conditions, can lead to inconsistent results during shape sensing. To obtain accurate results, a large amount of data is usually required, and a separate model must be retrained for each sensor array, thereby increasing the cost and time of data acquisition, transmission, and computation. To address this issue, this work proposes an encoder-decoder architecture for surface shape sensing based on sparse strain sensors and further incorporates meta-learning and few-shot adaptation strategies to enable adaptation across different groups of sensor arrays. Experimental results demonstrate that, after the cross-sensor adaptation, a newly deployed sensor array achieves a sensing error of approximately 4.0 mm relying on less than 5.0% newly labeled data and requiring an adaptation time of under 1 second, which represents a substantial improvement from 23.0 mm error without adaptation and 20-minute data collection time required to train a new model. Moreover, the number of points with errors below 5.0 mm increased by more than 65.0%. These results indicate that the proposed method can substantially reduce the cost and training burden of surface shape sensing, and it has broad potential applications in soft robotics and wearable devices.
• Abstract（参考訳）: 内在的な違いや設置条件によって生じるセンサアレイの性能変化は、形状センシングにおいて矛盾する結果をもたらす可能性がある。 正確な結果を得るためには、通常大量のデータが必要であり、各センサアレイに対して個別のモデルを再訓練する必要があるため、データ取得、送信、計算のコストと時間を増加させる。 この問題に対処するために,スパースひずみセンサに基づく表面形状センサのためのエンコーダデコーダアーキテクチャを提案し,さらにメタラーニングと少数ショット適応戦略を導入して,センサアレイの異なるグループへの適応を可能にする。 実験により、クロスセンサ適応後、新たに配置されたセンサアレイは、5.0%未満の新しいラベル付きデータに頼って約4.0mmの検知誤差を達成し、1秒未満の適応時間を必要とし、適応なしで23.0mmの誤差から新しいモデルを訓練するのに要する20分のデータ収集時間を大幅に改善することを示した。 さらに、誤差が5.0mm未満の点数は65.0%以上増加した。 これらの結果から,提案手法は表面形状センサのコストと訓練負担を大幅に低減し,ソフトロボティクスやウェアラブルデバイスに広く応用できる可能性が示唆された。

関連論文リスト

• EoCD: Encoder only Remote Sensing Change Detection [49.58758681798801]
  変更検出タスクの簡易かつ効果的な方法であるエンコーダのみの変更検出(EoCD)を導入する。 提案手法は時間データの早期融合を行い,デコーダをパラメータフリーなマルチスケール機能融合モジュールに置き換える。 EoCDは、変化検出性能と様々なエンコーダアーキテクチャ間の予測速度の最適なバランスを示す。
  論文  参考訳（メタデータ） (2026-02-05T16:58:42Z)
• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• Data-Induced Interactions of Sparse Sensors Using Statistical Physics [2.2029818765681077]
  トレーニングデータによって引き起こされるセンサインタラクションの全体像を計算するために,統計的メカニクスの視点を用いる。 本論文の2つの重要な進歩は、Isingモデル形式のセンサ配置景観の再キャストと、少数のセンサの再構成誤差を著しく低減する正規化再構成である。
  論文  参考訳（メタデータ） (2023-07-21T18:13:37Z)
• Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
  化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。 本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。 本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
  論文  参考訳（メタデータ） (2023-06-19T11:00:54Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• 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)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• DANA: Dimension-Adaptive Neural Architecture for Multivariate Sensor Data [37.01965391878387]
  ウェアラブルやモバイルデバイスに埋め込まれたモーションセンサーは、センサストリームとサンプリングレートの動的選択を可能にする。 ディープニューラルネットワーク(DNN)は、一定のサンプリングレートで、固定されたセンサーセットからの入力データを処理します。 センサの可利用性やサンプリング率の変化に対して,DNNを柔軟かつ堅牢にするための次元適応型プーリング層を導入する。
  論文  参考訳（メタデータ） (2020-08-05T23:42:03Z)

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。