論文の概要: Determining Vertical Displacement of Agricultural Areas Using UAV-Photogrammetry and a Heteroscedastic Deep Learning Model
- arxiv url: http://arxiv.org/abs/2609.39756v1
- Date: Wed, 30 Sep 2026 13:53:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.858102
- Title: Determining Vertical Displacement of Agricultural Areas Using UAV-Photogrammetry and a Heteroscedastic Deep Learning Model
- Title（参考訳）: UAV-Photogrammetry とヘテロセダスティック深層学習モデルを用いた農地の鉛直変位決定
- Abstract要約: 本稿ではU-Netアーキテクチャを用いてUAV- Photogrammetry点雲からの垂直地表面変位を推定するアルゴリズムを提案する。
点雲分類に依存するコンベンショナルグラウンドフィルタとは異なり、提案手法はヘテロスセダスティックレグレッションをエミュレートする。
このアルゴリズムは, 垂直変位の根平均二乗誤差(RMSE), デターマイニングした変位値のノードの割合, 外れ値の比率の3つの指標を用いて評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article introduces an algorithm that uses a U-Net architecture to determine vertical ground surface displacements from unmanned aerial vehicle (UAV)-photogrammetry point clouds, offering an alternative to traditional ground filtering methods. Unlike con-ventional ground filters that rely on point cloud classification, the proposed approach em-ploys heteroscedastic regression. The U-Net model predicts the conditional expected val-ues of the elevation corrections, aiming to reduce the impact of vegetation on determined ground surface elevations. Concurrently, it estimates the logarithm of the elevation cor-rection variance, allowing for direct quantification of the uncertainty associated with each elevation correction value. The algorithm was evaluated using three metrics: the root mean square error (RMSE) of vertical displacements, the percentage of nodes with deter-mined displacement values, and the percentage of outliers among those values. Perfor-mance was assessed using the technique for order of preference by similarity to ideal so-lution (TOPSIS) method and compared against several ground-filter-based algorithms across four datasets, each including at least two time intervals. In most cases, the U-Net-based approach demonstrated a slight performance advantage over traditional ground filtering techniques. For example, for the U-Net-based algorithm, for one of the test da-tasets, the RMSE of the determined subsidences was 6.1 cm, the percentage of nodes with determined subsidences was 80.5%, and the percentage of outliers was 0.2%. For the same case, the algorithm based on the next best model (SMRF) allowed an RMSE of 7.7 cm to be obtained; for 77.3% of nodes, the subsidences were determined; and the percentage of outliers was 0.3%.
- Abstract（参考訳）: 本稿では,U-Netアーキテクチャを用いて無人航空機(UAV)の地表面の垂直変位を推定し,従来の地表面フィルタリング法に代わるアルゴリズムを提案する。
点雲分類に依存するコンベンショナルグラウンドフィルタとは異なり、提案手法はヘテロスセダスティックレグレッションをエミュレートする。
U-Netモデルは標高補正の条件付き予測値を予測し、決定された地表標高に対する植生の影響を低減することを目的としている。
同時に、標高補正係数の対数の推定を行い、各標高補正値に関連する不確実性の直接的定量化を可能にする。
このアルゴリズムは,垂直変位の根平均二乗誤差(RMSE),デターマイニングした変位値のノードの割合,それらの値のアウトリー率の3つの指標を用いて評価した。
Perfor-manceは、理想解法(TOPSIS)と類似性による選好の順序付け手法を用いて評価され、少なくとも2つの時間間隔を含む4つのデータセットにわたる基底フィルタベースのアルゴリズムと比較された。
ほとんどの場合、U-Netベースのアプローチは、従来の地上フィルタリング技術よりもわずかに性能上の優位性を示した。
例えば、U-Netベースのアルゴリズムでは、テストダタセットの1つに対して、決定された沈降率のRMSEは6.1cm、決定された沈降率のノードの割合は80.5%、外れ値の比率は0.2%である。
同じ場合、次の最良モデル(SMRF)に基づくアルゴリズムではRMSEが7.7cmに達し、77.3%のノードでは沈降が決定され、外れ値の割合は0.3%となった。
関連論文リスト
- Ternary Decision Trees with Locally-Adaptive Uncertainty Zones [0.0]
3次決定木は、最適しきい値を中心とする半幅デルタの不確かさゾーンを持つ各分割ノードを増大させる。
デルタは、標準のCART分割探索時に既に利用可能な統計から各ノードでローカルに計算される。
デルタ推定手法として,品質プレート,クラスオーバーラップ,ゲイン比,ノードブートストラップ,マージンの5つを評価した。
論文 参考訳（メタデータ） (2026-05-21T17:11:19Z) - Query-Efficient Quantum Approximate Optimization via Graph-Conditioned Trust Regions [0.0]
グラフニューラルネットワークは、QAOA上のガウス分布N(mu Sigma)を予測する。
学習された分布は、初期推定だけでなく、検索ポリシーを定義する。
ランダム再起動と最強学習点予測基準に対して、回路評価の平均値は343と85から45+/-7に減少する。
論文 参考訳（メタデータ） (2026-04-27T03:48:48Z) - Adaptive regularization parameter selection for high-dimensional inverse problems: A Bayesian approach with Tucker low-rank constraints [1.6936594801109557]
高次元空間からタッカー分解による低次元コアテンソル空間への変分推論を変換することにより、計算複雑性を低減する。
鍵となる革新は、異方性構造に対する適応正則化を可能にするモードごとの精度パラメータの導入である。
この手法は110,000の変数を持つ問題にスケールし、従来の手法を0.73-2.09dB、熱伝導率6.75dBで上回っている。
論文 参考訳（メタデータ） (2026-03-17T02:23:44Z) - Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。
拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。
我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
論文 参考訳（メタデータ） (2025-01-22T18:52:06Z) - A Novel Adaptive Fine-Tuning Algorithm for Multimodal Models: Self-Optimizing Classification and Selection of High-Quality Datasets in Remote Sensing [46.603157010223505]
マルチモーダル大モデルに対する適応的な微調整アルゴリズムを提案する。
我々は、GeoChatマルチモーダルリモートセンシングデータセットの3分の1を使用して、2台の3090 GPU上でモデルをトレーニングする。
このモデルはUCMercedおよびAID評価データセットで89.86と77.19のスコアを得た。
論文 参考訳（メタデータ） (2024-09-20T09:19:46Z) - SR-Stereo & DAPE: Stepwise Regression and Pre-trained Edges for Practical Stereo Matching [2.8908326904081334]
ドメインの相違を克服する新しい段階的回帰アーキテクチャを提案する。
疎基底真理で新しいドメインを適応するモデルのエッジ認識を高めるために,事前学習エッジ(DAPE)に基づくドメイン適応を提案する。
提案したSR-StereoとDAPEは,SceneFlow,KITTI,Middbury 2014,ETH3Dで広く評価されている。
論文 参考訳（メタデータ） (2024-06-11T05:25:25Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - Dataset Distillation with Convexified Implicit Gradients [69.16247946639233]
メタ段階更新の計算に暗黙の勾配を効果的に利用できるかを示す。
さらに,凍結した有限幅ニューラルネットワーク上での学習に対応する凸近似をアルゴリズムに装備する。
論文 参考訳（メタデータ） (2023-02-13T23:53:16Z) - ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。
ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
論文 参考訳（メタデータ） (2020-06-01T05:00:51Z) - Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。
我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。
LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-02-29T06:24:55Z)
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。