論文の概要: Physics-Informed Learning for Robust Acoustic Localization with Calibrated Uncertainty
- arxiv url: http://arxiv.org/abs/2608.08911v1
- Date: Sun, 09 Aug 2026 20:55:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.993031
- Title: Physics-Informed Learning for Robust Acoustic Localization with Calibrated Uncertainty
- Title（参考訳）: 校正不確かさを考慮したロバスト音像定位のための物理インフォームド学習
- Abstract要約: 本稿では,理想的な運転条件以外の堅牢性を向上する手法を提案する。
物理インフォームド音響特徴を用いた学習モデルは高速双曲解法を補正する。
提案手法はロバストで不確実性を考慮した局所化を実現する。
- 参考スコア（独自算出の注目度）: 10.874296036104809
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in Passive Acoustic Monitoring (PAM) offer an opportunity to obtain ecological spatial point-process data at unprecedented scale. However, realizing this opportunity necessitates the development of accurate and scalable localization methods. In real-world outdoor soundscapes, however, the assumptions underlying classical localization methods such as hyperbolic and score-based localization are routinely violated by multipath dominance, near-field effects, and complex propagation. Under these conditions, classical localization methods become brittle, with extreme errors possible even in small detection arrays. Rather than statistically replacing the underlying physics, we propose a method to refine it and increase robustness outside of ideal operating conditions: a learned model operating on physics-informed acoustic features corrects a fast hyperbolic solver where it produces implausible solutions, substantially reducing catastrophic worst-case errors while matching its median accuracy on field data. We further provide calibrated, geometry-aware uncertainty estimates suitable for propagation into downstream spatial models. Evaluating on distributed microphone arrays in real and simulated outdoor environments, we demonstrate that the proposed method yields robust, uncertainty-aware localization, providing a step toward scalable automated wildlife monitoring in complex acoustic environments.
- Abstract（参考訳）: パッシブ・アコースティック・モニタリング(PAM)の最近の進歩は、前例のない規模で生態学的空間的ポイントプロセスデータを得る機会を提供する。
しかし、この機会を実現するには、正確でスケーラブルなローカライゼーション手法の開発が必要である。
しかし、現実の屋外音場では、双曲的やスコアに基づく局所化といった古典的局所化手法の前提となる仮定は、マルチパス支配、近接場効果、複雑な伝播によって日常的に破られる。
これらの条件下では、古典的なローカライゼーション法は脆くなり、小さな検出アレイでも極端なエラーが発生する。
物理インフォームド音響特性を学習したモデルでは,不明瞭な解を生成する高速双曲解法が修正され,破滅的な最悪のエラーを著しく低減し,フィールドデータ上での正当性に適合する。
さらに、下流空間モデルへの伝搬に適した、キャリブレーションされた幾何認識の不確実性推定を提供する。
実環境および模擬屋外環境における分散マイクロホンアレイの評価を行い, 提案手法がロバストで不確実性を考慮した位置推定を実現し, 複雑な音響環境におけるスケーラブルな自動野生生物モニタリングへの一歩となることを実証した。
関連論文リスト
- Spatially-Grounded Text-to-Video Generation via Inference-Time Gradient-Free Optimization [46.49480145234397]
Diffusion Transformer Text-to-Videoモデルは優れた合成品質を実現している。
きめ細かい空間制御性は依然として重要な課題である。
そこで本研究では,空間的ガイダンスの精度向上のために,トレーニングフリーで勾配のない新しいアプローチを提案する。
論文 参考訳（メタデータ） (2026-08-13T10:05:16Z) - Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators [51.771100367755544]
本稿では,既存手法の帰納バイアスとデータ構造とのミスマッチに対処する幾何学的視点を提案する。
具体的には、正規サンプルの多様体上の射影作用素を学習し、この射影によって変更される場合、サンプルを異常として定義する。
特に、プロジェクション品質の観点から、その成功と失敗を説明することによって、再構築に基づく手法の統一的な解釈を提供する。
論文 参考訳（メタデータ） (2026-06-13T12:37:20Z) - A Cubing Strategy for Identifying Stable Hyperparameter Regions for Uncertainty Quantification in Spatial Deep Learning [0.0]
本稿では,モンテカルロの落差がよく校正された予測間隔を生じる安定領域を同定するキュベリングに基づく診断フレームワークを提案する。
提案手法は,ベースラインモデルと比較して,競合的あるいは優れた予測間隔を生じることを示す。
論文 参考訳（メタデータ） (2026-05-15T19:18:39Z) - Local Conformal Calibration of Dynamics Uncertainty from Semantic Images [11.10792616622245]
観測対応コンフォーマル不確実性局所校正(OCular)について紹介する。
OCcularは、認識情報を用いて不確実な定量化を保証する共形予測に基づくアルゴリズムである。
ランダムな摂動と有意なモデルミスマッチを考慮した二重積分器システムにおいて,本アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2026-05-13T05:33:42Z) - Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。
本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。
不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
論文 参考訳（メタデータ） (2026-01-02T09:16:55Z) - MicroFlow: Domain-Specific Optical Flow for Ground Deformation Estimation in Seismic Events [19.621315573734265]
特に,暗黙の相関層に依存した深層学習モデルでは,実環境下での小さな変位を推定することが困難である。
我々のモデルは、半合成地球物理学のベンチマークを広く利用し、人為的・高分解能のセンサーで捉えた現実世界のシナリオをうまく一般化する。
論文 参考訳（メタデータ） (2025-04-18T04:10:40Z) - Unsupervised Anomaly Detection Using Diffusion Trend Analysis for Display Inspection [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。
本稿では,劣化度に応じて再構成傾向の分析により異常を検出する手法を提案する。
論文 参考訳（メタデータ） (2024-07-12T01:50:07Z) - View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
本稿では,屋外ロボットのための微細な自己局在化手法を提案する。
提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。
これは、動的環境における知覚を増強する初めての疎視のみの手法である。
論文 参考訳（メタデータ） (2023-08-16T02:51:52Z) - Deep learning for bias-correcting CMIP6-class Earth system models [0.0]
本稿では,cGANsに基づくポストプロセッシング手法により,最先端のCMIP6クラスESMのバイアスを補正できることを示す。
本手法は, 金標準偏差調整フレームワークと同様に局所周波数分布を均等に改善するが, 空間パターンの補正において既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-16T13:53:57Z) - Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。
本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
論文 参考訳（メタデータ） (2022-03-11T01:12:00Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z) - Uncertainty Aware Deep Neural Network for Multistatic Localization with
Application to Ultrasonic Structural Health Monitoring [0.0]
本稿では、ロバストなローカライゼーションモデルを学ぶために、不確実性を考慮したディープ・ニューラル・ディストリビューション・ネットワーク・フレームワークを使用する。
環境不確実性の増加に伴い,予測不確実性はスケールし,局所化精度を評価する統計的に有意な指標となることを示す。
論文 参考訳（メタデータ） (2020-07-14T04:53:06Z) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳（メタデータ） (2020-06-28T13:49:30Z)
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。