論文の概要: HPC-Enabled Video-based Coastal Wave Parameter Estimation Using V-JEPA and Deep Spatiotemporal Learning

• arxiv url: http://arxiv.org/abs/2607.11998v1
• Date: Mon, 13 Jul 2026 16:57:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.921958
• Title: HPC-Enabled Video-based Coastal Wave Parameter Estimation Using V-JEPA and Deep Spatiotemporal Learning
• Title（参考訳）: V-JEPAと深部時空間学習を用いたHPC対応ビデオベース沿岸波パラメータ推定
• Abstract要約: 本稿では,5つの沿岸波動パラメータのジョイントセンサフリー推定のためのビデオベース・ハイパフォーマンスコンピューティング(HPC)を実現するディープラーニングフレームワークを提案する。 提案アーキテクチャは、視覚的に困難なVEPAにおいて、ロバストな特徴抽出のためのViT Smallバックボーンで構成されている。 このフレームワークは統計的に有意な時間一般化(PCC: 0.451 から 0.832)を示し、概念の実現可能性の証明を確認する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High deployment cost, poor spatial coverage and susceptibility to storm conditions are all challenges faced by traditional in-situ methods. This paper presents a video-based and high performance computing (HPC) enabled deep learning framework for joint sensor free estimation of five coastal wave parameters, namely significant wave height (Hs), maximum wave height (Hmax), peak period (Tp), zero upcrossing period (Tz) and wave direction (theta) from monocular coastal video. The proposed architecture comprises of a V-JEPA (self supervised) ViT Small backbone for robust spatiotemporal feature extraction in visually challenging scenarios, a dual-stream SlowFast temporal encoder for broad bandwidth representation of wave motion in both hydrodynamic breaking and swell regimes, an optical flow stream based on Farneback optical flow algorithm for adding saliency information to the structure with emphasis on hydrodynamically active wavelength bands of waves, and a multi-task regression layer with dispersion constraints (Airy wave dispersion lambda_p = 0.1). The model was trained on an NVIDIA DGX A100 cluster and was early stopped at epoch 31 and achieved Pearson correlation coefficients of 0.451, 0.578, 0.643, 0.680 and 0.832 for Hs, Hmax, Tp, Tz and wave direction respectively, with generalization ability to geographically diverse held out test data sites. While operating in a data-limited regime (6 annotated training scenes), the framework demonstrates statistically significant temporal correlations (PCC of 0.451 to 0.832), confirming proof of concept feasibility; R2 values (max 0.246) indicate that variance capture will improve with larger annotated datasets.
• Abstract（参考訳）: 配置コストが高く、空間カバレッジが低く、ストーム条件に対する感受性が低いことは、従来のインサイト手法が直面する課題である。 本稿では, ビデオベース・ハイパフォーマンスコンピューティング(HPC)により, 海岸波高(Hs), 最大波高(Hmax), ピーク時間(Tp), ゼロアップクロス時間(Tz), 波方向(theta)の5つの波高(Hs), 海岸波高(Hs), 最大波高(Hmax), 最大波高(Tp), 平均波高(Tp), 平均波高(Tz), 平均波高(Tz)の5つのパラメータを, 単眼の海岸波高(Hs)から自由に推定する。 V-JEPA (self supervised) ViT Small backbone for robust spatiotemporal feature extract in visually challenge scenarios, a dual-stream SlowFast temporal encoder for broad bandwidth representation of wave motion in hydrodynamic breaking and swell regimes, a optical flow stream on the structure with emphasis on hydrodynamically active wavelength bands of wave, and a multi-task regression layer with noise constraints (Airy wavevariance lambda_p = 0.1)。 このモデルはNVIDIA DGX A100クラスタでトレーニングされ、早期にEpoch 31で停止し、Hs、Hmax、Tp、Tz、波動方向のピアソン相関係数0.451、0.578、0.643、0.680、0.832を達成した。 データ制限付きシステム(6つのアノテートトレーニングシーン)で運用中、このフレームワークは統計的に有意な時間相関(PCC: 0.451 から 0.832 )を示し、概念の実現可能性を証明する。

関連論文リスト

• ROMNet: a hybrid reduced order modeling and machine learning approach to waveform inversion [53.79823394212125]
  波形インバージョンは、不均一で到達不能な媒体の波速を推定しようとする。 ROMNetと呼ばれる手法を導入し,数値シミュレーションで検証する。 ROMNet と直接 ROM ベースの逆変換と FWI に対する2つの代表的な深層学習手法を比較した。
  論文  参考訳（メタデータ） (2026-08-25T21:13:39Z)
• WaiT for the Signal: Simple Frequency-Aware Flow-Matching [60.56691023057048]
  本稿では,ウェーブレット対応画像変換器のWaiTについて紹介する。 ImageNet 512x512では、WaiTは1.43ピクセル空間のFIDを実現し、サンプリング計算を最大50%削減した。 我々の定式化はテクスチャの忠実度において最強の潜在空間モデルよりも優れており、高解像度のOpenImageやビデオ生成にシームレスにスケールする。
  論文  参考訳（メタデータ） (2026-07-30T18:26:19Z)
• WaveZip: Wavelet-Driven Space-Time Decoupling for Video Token Condensation [69.37452950816122]
  WaveZipは、効率的なビデオ推論のための共同信号周波数領域フレームワークである。 長いビデオ理解ベンチマークの実験では、WaveZipは完全なパフォーマンスの99.6%を維持している。
  論文  参考訳（メタデータ） (2026-07-25T16:05:22Z)
• ShipNet: A Geometric Deep Learning Surrogate for Real-Time Ship Hydrodynamics [0.0]
  ShipNetは、船体表面圧力分布と遠距離自由表面波パターンの両方を、船体形状と速度から直接予測する幾何学的深層学習サロゲートである。 推論には1ケースあたり約0.15秒が必要で、従来のハードウェアの電位フローソルバと比較して550倍のスピードアップが得られる。
  論文  参考訳（メタデータ） (2026-06-13T15:38:24Z)
• Data-Driven Forecasting of three-Component Seismograms Using Transformer Architectures [43.8784307709823]
  我々は,3成分地震波形を時間領域内で直接予測するために,変圧器を用いた自己回帰モデルであるtextscSeismoGPTを紹介した。 震源深5-100,km,震源中央距離10-90$$$,震源深3leqM_w leq7$の合成地震計を用いて評価を行った。
  論文  参考訳（メタデータ） (2026-06-01T21:38:03Z)
• GS-STVSR: Ultra-Efficient Continuous Spatio-Temporal Video Super-Resolution via 2D Gaussian Splatting [71.12303582606019]
  Continuous Video Super-Resolution (C-STVSR) は、任意のスケールファクタによる動画の空間的・フレーム的レートの同時向上を目的としている。 2次元ガウシアンティング(2D-GS)に基づく超効率的なC-STVSRフレームワークであるGS-STVSRを提案する。 GS-STVSRは,すべてのベンチマークにおいて最先端の品質を実現していることを示す。
  論文  参考訳（メタデータ） (2026-04-20T10:11:05Z)
• SpecFuse: A Spectral-Temporal Fusion Predictive Control Framework for UAV Landing on Oscillating Marine Platforms [6.921143850808118]
  周波数領域の時間-時間波分解を統合した新しいスペクトル融合フレームワークを提案する。 複雑なキャリブレーションに頼ることなく、IMUデータを介してリアルタイムに予測を洗練する。 3.2cmの予測誤差、4.46cmの着陸偏差、98.7% / 87.5%の成功率(2000/実世界)、82msの組込みハードウェアの遅延を達成し、44%-48%の精度で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-02-17T15:03:05Z)
• Event-based high temporal resolution measurement of shock wave motion field [16.853658330080428]
  高分解能衝撃波動パラメータの高精度測定は、電界試験や損傷評価などの応用に不可欠である。 これらの課題に対処するために、複数のイベントカメラを用いて衝撃波の非対称性を推定する新しい枠組みを提案する。 実験により, 空間分解能と時間分解能の両方で衝撃波運動場を高精度に測定できることが実証された。
  論文  参考訳（メタデータ） (2025-12-27T05:37:18Z)
• Timely Parameter Updating in Over-the-Air Federated Learning [45.5660377179285]
  我々は,各通信ラウンドにおいて,最も影響のある勾配のサブセットを選択するアルゴリズムであるフレッシュネス・フレッシュネス・mAgnItude awaRe top-k (FAIR-k)を提案する。 本研究では,FAIR-kが新たな(かつ公平な)パラメータの更新を促進し,局所訓練期間を延長することで,全体の訓練効率に大きな影響を及ぼすことなく通信効率を向上させることを示す。
  論文  参考訳（メタデータ） (2025-12-22T07:18:13Z)
• Hi-WaveTST: A Hybrid High-Frequency Wavelet-Transformer for Time-Series Classification [0.0]
  本稿では,Hy-WaveTSTを提案する。Hy-WaveTSTは,従来の時間的パッチを学習可能な高周波数ウェーブレット特徴ストリームで拡張するハイブリッドアーキテクチャである。 我々のモデルは平均精度93.38パーセントプラス0.0043を達成し、SOTA PatchTSTベースライン(92.59パーセントプラス0.0039)を著しく上回っている。 包括的アブレーション研究は、我々の設計のすべてのコンポーネント、ハイブリッドアーキテクチャ、深い高周波ウェーブレット分解、そして学習可能なGeMプーリングが、この最先端のパフォーマンスに不可欠であることを証明している。
  論文  参考訳（メタデータ） (2025-11-03T05:55:31Z)
• Wavelet-Space Representations for Neural Super-Resolution in Rendering Pipelines [0.0]
  本稿では,RGB値を直接回帰するのではなく,定常ウェーブレット係数を予測する定式化を導入する。 ウェーブレットドメイン・ニューラル超解像は、高画質リアルタイムレンダリングへの原則的かつ効率的な経路を提供する。
  論文  参考訳（メタデータ） (2025-08-22T01:01:44Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Accelerating High-Fidelity Waveform Generation via Adversarial Flow Matching Optimization [37.35829410807451]
  本稿では,逆流マッチング最適化による高忠実かつ高効率な波形生成モデルである PeriodWave-Turbo を提案する。 さまざまな客観的メトリクスで最先端のパフォーマンスを達成するには、1,000ステップの微調整しか必要ありません。 PeriodWave のバックボーンを 29M から 70M のパラメータにスケールアップすることで、一般化を改善することで、 PeriodWave-Turbo は前例のない性能を実現している。
  論文  参考訳（メタデータ） (2024-08-15T08:34:00Z)
• 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)
• Reinforcement Learning with Latent Flow [78.74671595139613]
  Flow of Latents for Reinforcement Learning (Flare)はRLのためのネットワークアーキテクチャであり、潜時ベクトル差分を通じて時間情報を明示的に符号化する。 本研究では,Frareが状態速度に明示的にアクセスすることなく,状態ベースRLの最適性能を回復することを示す。 我々はまた、FlareがDeepMindコントロールベンチマークスイート内のピクセルベースの挑戦的な連続制御タスクで最先端のパフォーマンスを達成することも示しています。
  論文  参考訳（メタデータ） (2021-01-06T03:50:50Z)

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。