論文の概要: Deep Sigma Point Processes for RCS Modeling in Spaceborne SAR Imagery

• arxiv url: http://arxiv.org/abs/2607.21745v1
• Date: Thu, 23 Jul 2026 18:54:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:56.972298
• Title: Deep Sigma Point Processes for RCS Modeling in Spaceborne SAR Imagery
• Title（参考訳）: 宇宙空間SAR画像におけるRCSモデリングのための深いシグマ点過程
• Authors: Khalid El-Darymli, Christoph H. Gierull, Katerina Biron, Weimin Huang,
• Abstract要約: レーダー断面積(RCS)モデリングは、宇宙搭載レーダーシステムの実用性と感度の向上の基礎となる。 本研究では,合成開口レーダ(SAR)画像におけるRCS予測のためのDSPP(Deep Sigma-point Process)モデルを提案する。
• 参考スコア（独自算出の注目度）: 3.3815414420459002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radar cross-section (RCS) modeling is foundational to advancing the utility and sensitivity of spaceborne radar systems. This study introduces a deep sigma-point process (DSPP) model for predicting RCS in synthetic aperture radar (SAR) imagery using a RADARSAT-2 dataset containing 208,191 verified ships. The DSPP model not only strives for predictive accuracy but also characterizes the uncertainty inherent in the intricate relationships among radar signals, ship parameters, and environmental conditions. Unlike traditional approaches that rely on deterministic equations with static parameters, the DSPP uses a hierarchical Gaussian process framework with Bayesian inference to capture variability and uncertainty in RCS predictions. By generating predictive distributions rather than single estimates, the model accounts for the complex dynamics governing radar returns. Using a Matern kernel with automatic relevance determination, the DSPP identifies and ranks critical features across radar, operational, and environmental domains, thereby supporting transparency and interpretability. Performance evaluations demonstrate the model's superiority over linear regression baselines, with a 20.83 percent reduction in root mean squared error, a 25.89 percent increase in R-squared, and a 44.4 percent reduction in both the residual interquartile range and median absolute deviation on the test data. By providing calibrated uncertainty bounds, the DSPP enhances prediction reliability and supports robust decision-making. This work represents a shift toward probabilistic models that incorporate the inherent uncertainty of complex phenomena. By transitioning from fixed equations to distributions over outcomes, the DSPP fosters a deeper understanding of RCS behavior and enables systems to operate effectively in dynamic environments.
• Abstract（参考訳）: レーダー断面積(RCS)モデリングは、宇宙搭載レーダーシステムの実用性と感度の向上の基礎となる。 本研究では,208,191隻の認証船を含むRADARSAT-2データセットを用いて,合成開口レーダ(SAR)画像中のRCSを予測するためのDSPP(Deep Sigma-point Process)モデルを提案する。 DSPPモデルは、予測精度を追求するだけでなく、レーダー信号、船舶パラメータ、環境条件の間の複雑な関係に固有の不確実性を特徴付ける。 静的パラメータを持つ決定論的方程式に依存する従来のアプローチとは異なり、DSPPは階層的なガウス過程の枠組みを用いてベイズ推定を行い、RCS予測における可変性と不確実性を捉える。 単一の推定ではなく予測分布を生成することで、モデルはレーダーの戻りを制御している複雑な力学を説明できる。 DSPPは、自動関連性判定を備えたMaternカーネルを使用して、レーダー、運用、環境領域にまたがる重要な特徴を特定し、ランク付けし、透過性と解釈性をサポートする。 性能評価では、線形回帰ベースラインよりもモデルの方が優れており、根平均二乗誤差は20.83パーセント、R-二乗誤差は25.89パーセント、試験データ上での残基数と絶対偏差は44.4%減少している。 キャリブレーションされた不確実性境界を提供することにより、DSPPは予測信頼性を高め、堅牢な意思決定をサポートする。 この研究は、複雑な現象の本質的な不確実性を含む確率論的モデルへのシフトを表している。 DSPPは、固定方程式から結果上の分布へ遷移することで、RCSの振る舞いをより深く理解し、動的環境においてシステムが効果的に動作できるようにする。

関連論文リスト

• Von Mises Based Uncertainty Quantification for Closely Spaced Automotive Radar Targets [0.5378499388029053]
  本研究は,自動車レーダの到達方向推定(DOA)に対する不確実性を考慮した深層学習手法について検討する。 円形のvon Mises(VM)アンサンブル(ENS)を、通常の逆ガンマ定式化に基づく明らかな深層学習(EDL)フレームワークと比較する。 ENSは名目条件下では低い不確実性を実現し、重度の摂動に対して強い感度を示す一方、EDLはよりスムーズな不確実性変化とわずかに改善されたランキング整合性を提供する。
  論文  参考訳（メタデータ） (2026-06-30T10:49:45Z)
• Exact Stiefel Optimization for Probabilistic PLS: Closed-Form Updates, Error Bounds, and Calibrated Uncertainty [5.844591976842085]
  本研究では,雑音事前推定,制約付き確率最適化,予測キャリブレーションを組み合わせたエンドツーエンドフレームワークを開発した。 我々は、任意のガウス化により、このフレームワークをガウス以下の設定に拡張し、ブロック構造フィッシャー解析により、クローズドフォームの標準エラーを提供する。
  論文  参考訳（メタデータ） (2026-05-12T06:38:12Z)
• Neural Posterior Estimation of Terrain Parameters from Radar Sounder Data [49.62628745057007]
  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。
  論文  参考訳（メタデータ） (2026-05-05T08:41:02Z)
• 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)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• On the Plasticity and Stability for Post-Training Large Language Models [54.757672540381236]
  塑性と安定性勾配の矛盾として根本原因を同定する。 本稿では,確率的衝突解決法(PCR)を提案する。 PCRはトレーニングの軌道を著しく滑らかにし、様々な推論タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-06T07:31:26Z)
• ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
  ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。 そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。 また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:16Z)
• Controllable Probabilistic Forecasting with Stochastic Decomposition Layers [1.3995263206621]
  本稿では、決定論的機械学習気象モデルをアンサンブルシステムに変換するための分解層(SDL)を提案する。 SDLは3つのデコーダスケールでの学習摂動を、潜在駆動変調、画素ごとのノイズ、チャネルスケーリングを通じて適用する。 転送学習を通じてWXFormerに適用する場合、SDLはベースラインモデルをトレーニングするために必要な計算コストの2%未満を必要とする。
  論文  参考訳（メタデータ） (2025-12-21T17:10:00Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• RadProPoser: A Framework for Human Pose Estimation with Uncertainty Quantification from Raw Radar Data [1.5318029014836756]
  複素数値レーダテンソルを処理する確率的エンコーダデコーダアーキテクチャであるRadProPoserを紹介する。 変分推論をキーポイント回帰に組み込むことで、RadProPoserは26の3次元関節位置を共同で予測する。 RadProPoserは、光学式モーションキャプチャー地上真実を用いて、45度の角度で5.678cmの6.425cmの総合平均接合位置誤差(MPJPE)を達成した。
  論文  参考訳（メタデータ） (2025-08-05T15:46:05Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)

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。