論文の概要: DebrisTracer: Reliable Tracking in Hypervelocity Impact Fast Imaging

• arxiv url: http://arxiv.org/abs/2607.15986v1
• Date: Fri, 17 Jul 2026 14:24:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.872441
• Title: DebrisTracer: Reliable Tracking in Hypervelocity Impact Fast Imaging
• Title（参考訳）: DebrisTracer:超高速高速イメージングにおける信頼性の高い追跡
• Abstract要約: DebrisTracerは、超速度衝突高速イメージングにおける破片の信頼性の高い追跡のためのフレームワークである。 臨界点抽出とマッチングに基づいて,既成のトポロジ追跡フレームワークを拡張する方法について述べる。
• 参考スコア（独自算出の注目度）: 5.737801162623935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This application paper presents DebrisTracer, a framework for the reliable tracking of debris in hypervelocity impact fast imaging. These noisy and highly specific datasets capture the ejection of a large number of debris fragments after the impact of a projectile launched at hypervelocity into a target material. The reliable estimation of debris mass and speed distributions is of major importance in aerospace applications. We document how to extend an off-the-shelf topology tracking framework based on critical point extraction and matching, in order to incorporate domain knowledge and physical assumptions. Our approach automatically produces an accurate and reliable debris tracking, enabling an interpretable visual analysis of this complex space-time phenomenon. Extensive experiments demonstrate the accuracy improvements provided by our approach over established tools used by domain experts in terms of physical validation, specifically via the prediction of the experimental ejected mass and crater depth profiles. We illustrate the utility of our approach across several use cases (with varying impact angles and physics). We show that our statistical summaries enable the visual identification of distinct regimes within the debris population, corroborating and refining prior expectations of domain experts. Our database and our C++ implementation are available at this address: https://github.com/tloloum/DebrisTracer.
• Abstract（参考訳）: 本稿では,超速度衝突高速イメージングにおける破片の信頼性追跡のためのフレームワークであるDebrisTracerを提案する。 これらのノイズがあり、非常に特異的なデータセットは、超速度で発射された発射体がターゲット物質に衝突した後、多数の破片の放出を捉えている。 破片の質量と速度分布の信頼性の高い推定は、航空宇宙応用において重要である。 ドメイン知識と物理的仮定を組み込むために、臨界点抽出とマッチングに基づいて、既成のトポロジ追跡フレームワークを拡張する方法について文書化する。 提案手法は, 高精度かつ信頼性の高いデブリ追跡を自動生成し, この複雑な時空現象の可視的解析を可能にする。 大規模実験では, 実験飛散質量およびクレーター深度分布の予測を通じて, 専門分野の専門家による定式化ツールに対する精度向上を実証した。 いくつかのユースケース(様々な衝撃角と物理)にまたがるアプローチの有用性について説明する。 我々の統計的な要約は、デブリの個体群内の異なる状態の視覚的識別を可能にし、ドメインの専門家の事前の期待を裏付け、改善することを示します。 私たちのデータベースとC++の実装はこのアドレスで利用可能です。

関連論文リスト

• Super Agents and Confounders: Influence of surrounding agents on vehicle trajectory prediction [3.217085919378088]
  インタラクティブな運転シーンでは、車や歩行者などの周囲の交通参加者の情報に基づいて軌道予測を行う。 我々の主な貢献は、最先端の軌道予測器を包括的に分析することであり、驚くべき、重大な欠陥が明らかになっている。 エージェントの特徴を効果的に圧縮する訓練を施したCIB(Conditional Information Bottleneck)を統合することを提案する。
  論文  参考訳（メタデータ） (2026-04-03T21:15:06Z)
• COFFEE: A Shadow-Resilient Real-Time Pose Estimator for Unknown Tumbling Asteroids using Sparse Neural Networks [7.976380956275378]
  我々は,小惑星のリアルタイムポーズ推定フレームワークであるCOFFEEを提案する。 投射影に有意な輪郭を関連付けることにより、まばらな特徴群を検出する。 得られたポーズ推定パイプラインは、古典的なポーズ推定パイプラインよりもバイアスのない、より正確なものである。
  論文  参考訳（メタデータ） (2025-08-05T06:27:14Z)
• Domain Adaptation and Multi-view Attention for Learnable Landmark Tracking with Sparse Data [4.87717454493713]
  本稿では,検出と記述によるランドマーク追跡のための新しい定式化について述べる。 我々は,次世代宇宙船のフライトプロセッサ上でのリアルタイム実行のために設計された,軽量で計算効率のよいニューラルネットワークアーキテクチャを利用する。
  論文  参考訳（メタデータ） (2025-07-12T23:00:52Z)
• Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
  赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。 現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。 本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
  論文  参考訳（メタデータ） (2025-06-15T08:19:32Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [53.5449912019877]
  本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。 LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。 これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
  論文  参考訳（メタデータ） (2024-01-03T18:57:27Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Object recognition in atmospheric turbulence scenes [2.657505380055164]
  乱流環境におけるオブジェクトの型を検知・分類するための歪み特徴を学習する新しいフレームワークを提案する。 具体的には、変形可能な畳み込みを利用して空間変位を処理する。 提案手法は平均精度(mAP)が30%を超えるベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-25T20:21:25Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。