Dec, 2023

利用神经网络估计波形的物理参数

PDF
TL;DR通过利用神经网络的能力，本研究提出了一种基于 LiDAR 数据分析的参数估计的新方法，成功地学习了反演模型，并能够预测诸如深度、衰减系数和底反射率等参数。通过对真实 LiDAR 数据的测试，验证了模型的性能。未来更多的数据可用性将能够提高这类模型的准确性和可靠性。
lidarfull waveform lidarneural networksparameter estimationremote sensing
发现论文，激发创造
  • 一种无监督的深度学习方法用于波动方程反问题

    通过深度神经网络的无监督学习方法，提出了一种重构地下物理速度参数的方法，不需要标记的训练数据集，表现优于传统方法。

    Nov, 2023

  • 利用非线性薛定谔方程和物理信息神经网络进行水波的数据同化和参数识别

    利用物理信息神经网络技术，本研究提出在水下安装少量监测仪器的情况下，通过测量数据重建表面高度的时空范围，以解决常规数值方法无法解决的数据同化问题，并成功应用于确定性波浪预测方法的改进。

    Jan, 2024

  • 贝叶斯推断与神经估计声波传播

    本文提出了一种新颖的框架，将物理和机器学习方法相结合，用于分析声学信号。该框架包括三种方法：用贝叶斯推断法推断谱声学特性，将神经网络配备前向和反向物理损失的神经物理模型，以及用作基准的非线性最小二乘法。推断的传播系数导致室内冲激响应（RIR）量，可用于带有不确定性的重定位。这一框架的简单和高效在模拟数据上得到了实证验证。

    May, 2023

  • 利用机器学习对稀疏遥感数据进行相位分辨的非线性海洋波面高度重建

    通过利用神经网络中的 U-Net 和 Fourier 神经运算器架构，使用一种基于均匀一维网格的高阶谱方法进行波浪模拟和几何雷达建模方法产生高度逼真的合成训练数据，从而解决了利用计算密集的优化过程或牺牲全过程实时能力和准确性的简单建模假设的现有方法进行相位分辨波浪条件重建的问题。该方法在利用包含每个输入中多个历史雷达快照的时空雷达数据进行训练时，提供了准确的重建结果，并显示出对不同海况的良好泛化表现，其中 FNO 网络在傅里叶空间中全局学习输入和所需输出之间的映射时表现更佳。

    May, 2023

  • 有限发射次数下近场 iToF LIDAR 深度提高

    利用单个调制频率的较少原始数据样本和传感器灰度输出来减少激光组件的应力和功耗，我们研究了两种不同方法以恢复 LiDAR 的整个深度范围。

    Apr, 2023

  • 利用全波形闪光激光雷达数据学习材料属性进行语义分割

    该研究旨在探究通过全波形反应是否能够确定物体的材料类型或类别，并通过随机森林分类器和时域卷积神经网络分类器训练两种不同的全波形材料分类器，结果表明，TCN 分类器在更广泛的材料范围内表现更好，但入射角度、物体颜色和材料相似性等因素会影响总体性能。

    May, 2023

  • 基于学习的本地可定位性估计用于强鲁棒性激光雷达定位

    提出了一种基于神经网络的方法，用于检测在机器人运行期间的定位问题，着重关注激光雷达测距定位模块，该方法通过模拟数据训练，可以适用于不同的环境和传感器类型，并在挑战性环境下进行了实地实验测试。

    Mar, 2022

  • 来自侧扫声呐的神经网络常规估计和水深重建

    使用深度学习的反向模型，结合侧扫声呐测量的表面法线及高度计读数的约束，重建一个高品质的海底地形图。

    Jun, 2022

  • 用于基于深度学习的毫米波波束选择的 LIDAR 数据

    本文介绍了一种分布式架构，使用 LIDAR 数据，通过深度卷积神经网络选择一组波束，从而减少毫米波波束形成的开销，模拟结果证实 LIDAR 可以帮助配置 mmWave V2I 链路。

    Aug, 2019

  • 强大感知的雷达 - 红外深度估计（RIDERS）

    通过融合毫米波雷达和红外热像摄像机，我们提出了一种鲁棒的米制深度估计方法，能够在自动驾驶中实现高精度和细节丰富的密集深度估计。

    Feb, 2024