ground-penetrating radar
PulseAugur coverage of ground-penetrating radar — every cluster mentioning ground-penetrating radar across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 PCFlow 框架生成逼真、物理一致的 GPR 图像
研究人员开发了 PCFlow，一个用于生成逼真且物理一致的探地雷达 (GPR) B 扫描图像的新颖框架。该方法在变分自编码器潜在空间内利用物理条件流匹配方法。该框架包含一个由麦克斯韦方程启发的物理条件场，该场源自材料属性和目标几何形状等模拟参数，用于指导生成过程。在埋管数据集上的实验表明，PCFlow 能够生成具有准确几何响应和高视觉保真度的图像，使其能够进行可控且物理保真的雷达图像合成。
-
物理信息神经网络增强地下异常体预测
研究人员开发了一种使用物理信息神经网络（PINNs）预测地下异常体生长的新方法，该方法借鉴了医学影像中肿瘤预测的思路。提出的深度学习框架将卷积神经网络（CNN）与卷积长短期记忆网络（ConvLSTM）相结合，并融入了空间和时间注意力机制以增强特征提取。通过将波动传播的物理原理直接嵌入神经网络，该方法提高了探地雷达（GPR）数据预测的准确性，这对于评估基础设施健康状况和预测其退化至关重要。
-
用于路面缺陷识别的新3D深度学习架构
研究人员开发了一种新颖的3D深度学习架构，用于利用探地雷达（GPR）数据识别路面缺陷。该方法通过整合RGB图像与GPR扫描来有效标记缺陷，解决了标注数据集稀缺的问题。提出的卷积神经网络（CNN）结合了残差连接、混合核大小和注意力机制，以提高特征表示和分类精度，用于检测路面裂缝和修补区域。
-
TriView-YOLO模型提升了在复杂土壤条件下空洞的检测能力
研究人员开发了TriView-YOLO，这是一种新颖的深度学习模型，旨在检测具有挑战性的软土高含水量土壤中的地下空洞。该模型采用多视图融合方法，整合了探地雷达数据的三个不同视角，以提高检测精度。TriView-YOLO主要在泰国曼谷的路面调查中进行了测试，平均精度均值（mAP50）达到0.558，证明了其在传统方法难以应对的条件下的有效性。
-
新的AI框架融合GPR和IRT技术用于桥面分层检测
研究人员开发了一种新颖的框架，通过融合探地雷达（GPR）和红外热成像（IRT）的数据来检测桥面分层。该分层注意力机制系统结合了用于GPR数据的时域自注意力机制和用于IRT图像的通道-空间注意力机制，并通过跨模态多头注意力机制进行增强。该框架还纳入了不确定性估计，并对注意力机制、类别不平衡下的梯度分配以及指标发散进行了形式化分析，从而深入了解了自适应融合方法中潜在的脆弱性。
-
AI 使用 GPR 无需标记数据即可检测地下隧道 · 已追踪 2 个来源
研究人员开发了一种使用探地雷达 (GPR) 检测地下隧道的无监督方法。该系统采用去噪卷积自编码器来学习正常的地下模式，并根据重建误差标记异常。通过将异常评分限制在隧道物理上合理的特定深度范围，该方法显著提高了检测精度，在无需任何标记隧道数据进行训练的情况下，实现了 0.994 的 AUC 和 0.975 的 F1 分数，且误报率低。
-
通过本地新闻分析量化印度尼西亚的政治温度
一位数据科学家通过分析本地新闻来源，为印度尼西亚开发了一个每日地缘政治风险（GPR）指数。这种方法与现有的 GPR 指数不同，后者依赖于国际英语媒体，可能无法捕捉到地面的情绪。新指数使用了一个涉及 Python 进行抓取、Prefect Cloud 进行编排以及 dbt 进行数据转换的管道，以量化印尼语头条新闻中的政治紧张局势。