論文の概要: TRAKO: Efficient Transmission of Tractography Data for Visualization
- arxiv url: http://arxiv.org/abs/2004.13630v1
- Date: Sun, 26 Apr 2020 01:19:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 13:52:48.279680
- Title: TRAKO: Efficient Transmission of Tractography Data for Visualization
- Title（参考訳）: TRAKO:可視化のためのトラクトグラフィーデータの効率的な伝送
- Authors: Daniel Haehn, Loraine Franke, Fan Zhang, Suheyla Cetin Karayumak,
Steve Pieper, Lauren O'Donnell, Yogesh Rathi
- Abstract要約: 我々は、Graphics Layer Transmission Format(glTF)に基づいた新しいデータフォーマットTRAKOを提案する。
TraKOは、これまで公表された研究から分析を複製する際に、統計的意義を失うことなく、28倍以上のデータ削減を達成できる。
- 参考スコア（独自算出の注目度）: 7.200516302124945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fiber tracking produces large tractography datasets that are tens of
gigabytes in size consisting of millions of streamlines. Such vast amounts of
data require formats that allow for efficient storage, transfer, and
visualization. We present TRAKO, a new data format based on the Graphics Layer
Transmission Format (glTF) that enables immediate graphical and
hardware-accelerated processing. We integrate a state-of-the-art compression
technique for vertices, streamlines, and attached scalar and property data. We
then compare TRAKO to existing tractography storage methods and provide a
detailed evaluation on eight datasets. TRAKO can achieve data reductions of
over 28x without loss of statistical significance when used to replicate
analysis from previously published studies.
- Abstract（参考訳）: ファイバトラッキングは、数百万のストリームラインからなる数十ギガバイト規模の大規模なトラクトグラフィデータセットを生成する。
このような膨大なデータには、効率的なストレージ、転送、視覚化を可能にするフォーマットが必要です。
本稿では,グラフィクス層トランスミッションフォーマット(glTF)に基づく新しいデータフォーマットであるTRAKOについて述べる。
我々は,頂点,流線,付加スカラーとプロパティデータに対して最先端の圧縮技術を統合する。
次にTRAKOと既存のトラクトグラフィー記憶法を比較し、8つのデータセットについて詳細な評価を行う。
TRAKOは、これまで公表された研究から分析を複製する際に、統計的意義を失うことなく、28倍以上のデータ削減を達成できる。
関連論文リスト
- Predictive Query-based Pipeline for Graph Data [0.0]
グラフ埋め込み技術は大規模グラフの解析と処理を単純化する。
GraphSAGE、Node2Vec、FastRPといったいくつかのアプローチは、グラフの埋め込みを生成する効率的な方法を提供する。
埋め込みをノード特性として保存することにより、異なる埋め込み技術を比較し、それらの有効性を評価することができる。
論文 参考訳（メタデータ） (2024-12-13T08:03:57Z) - UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。
我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。
これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
論文 参考訳（メタデータ） (2024-03-22T10:36:50Z) - Low-latency Visual Previews of Large Synchrotron Micro-CT Datasets [0.0]
本研究では,データサイズをギガバイトからメガバイトに拡大し,マイクロCTデータセットをリアルタイムで配信する手法を提案する。
我々の実証では、節足動物の幾何学的情報を妥協することなく、データセットをメガバイト範囲に縮小できることが証明された。
論文 参考訳（メタデータ） (2023-11-25T14:24:55Z) - Does Graph Distillation See Like Vision Dataset Counterpart? [26.530765707382457]
本稿では,従来の構造情報を合成データにブロードキャストするSGDD(Structure-Broadcasting Graph dataset Distillation)方式を提案する。
9つのデータセットにまたがって提案したSGDDを検証する。
論文 参考訳（メタデータ） (2023-10-13T15:36:48Z) - Replication: Contrastive Learning and Data Augmentation in Traffic
Classification Using a Flowpic Input Representation [47.95762911696397]
同じデータセット上で[16]を再現し、3つの追加の公開データセット上で最も健全なアスペクト(データ拡張の重要性)を複製します。
元の結果のほとんどを確認できたが、元のデータセットにデータシフトがあったため、調査されたシナリオの20%の精度低下が判明した。
論文 参考訳（メタデータ） (2023-09-18T12:55:09Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - Condensing Graphs via One-Step Gradient Matching [50.07587238142548]
ネットワーク重みを訓練せずに1ステップのみの勾配マッチングを行う1ステップ勾配マッチング方式を提案する。
我々の理論的分析は、この戦略が実際のグラフの分類損失を減少させる合成グラフを生成することができることを示している。
特に、元のパフォーマンスの最大98%を近似しながら、データセットサイズを90%削減することが可能です。
論文 参考訳（メタデータ） (2022-06-15T18:20:01Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳（メタデータ） (2022-04-21T23:01:21Z) - Towards Data-Efficient Detection Transformers [77.43470797296906]
我々は、ほとんどの検出トランスフォーマーが、小さなデータセットで大きなパフォーマンス低下に悩まされていることを示す。
我々はデータ効率に影響を与える要因を、データ効率のRCNNから代表DETRへのステップバイステップ遷移によって実証的に分析する。
本稿では,よりリッチな監視とデータ効率向上を目的とした,シンプルながら効果的なラベル拡張手法を提案する。
論文 参考訳（メタデータ） (2022-03-17T17:56:34Z) - TransMOT: Spatial-Temporal Graph Transformer for Multiple Object
Tracking [74.82415271960315]
映像内の物体間の空間的・時間的相互作用を効率的にモデル化するソリューションであるTransMOTを提案する。
TransMOTは従来のTransformerよりも計算効率が高いだけでなく、トラッキング精度も向上している。
提案手法は、MOT15、MOT16、MOT17、MOT20を含む複数のベンチマークデータセット上で評価される。
論文 参考訳（メタデータ） (2021-04-01T01:49:05Z)
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。