論文の概要: A fast and memory-efficient algorithm for smooth interpolation of
polyrigid transformations: application to human joint tracking
- arxiv url: http://arxiv.org/abs/2005.02159v3
- Date: Mon, 8 Jun 2020 18:51:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 23:46:05.579803
- Title: A fast and memory-efficient algorithm for smooth interpolation of
polyrigid transformations: application to human joint tracking
- Title（参考訳）: ポリグリド変換のスムーズな補間のための高速かつメモリ効率のアルゴリズム:ヒト関節追跡への応用
- Authors: K. Makki, B. Borotikar, M. Garetier, S. Brochard, D. Ben Salem, F.
Rousseau
- Abstract要約: 運動中の関節の円滑な変形に対する行列対角化に基づくアルゴリズムを提案する。
固有分解法は、精度、計算時間、メモリ要求間のトレードオフのバランスをとることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The log Euclidean polyrigid registration framework provides a way to smoothly
estimate and interpolate poly-rigid/affine transformations for which the
invertibility is guaranteed. This powerful and flexible mathematical framework
is currently being used to track the human joint dynamics by first imposing
bone rigidity constraints in order to synthetize the spatio-temporal joint
deformations later. However, since no closed-form exists, then a
computationally expensive integration of ordinary differential equations (ODEs)
is required to perform image registration using this framework. To tackle this
problem, the exponential map for solving these ODEs is computed using the
scaling and squaring method in the literature. In this paper, we propose an
algorithm using a matrix diagonalization based method for smooth interpolation
of homogeneous polyrigid transformations of human joints during motion. The use
of this alternative computational approach to integrate ODEs is well motivated
by the fact that bone rigid transformations satisfy the mechanical constraints
of human joint motion, which provide conditions that guarantee the
diagonalizability of local bone transformations and consequently of the
resulting joint transformations. In a comparison with the scaling and squaring
method, we discuss the usefulness of the matrix eigendecomposition technique
which reduces significantly the computational burden associated with the
computation of matrix exponential over a dense regular grid. Finally, we have
applied the method to enhance the temporal resolution of dynamic MRI sequences
of the ankle joint. To conclude, numerical experiments show that the
eigendecomposition method is more capable of balancing the trade-off between
accuracy, computation time, and memory requirements.
- Abstract（参考訳）: log euclidean polyrigid registration frameworkは、可逆性が保証されるポリリジド/アフィン変換をスムーズに推定し補間する方法を提供する。
この強力で柔軟な数学的枠組みは、後から時空間の関節変形を合成するために骨剛性制約を課すことによって、人間の関節動態を追跡するために現在使用されている。
しかし、クローズド形式は存在しないため、このフレームワークを用いて画像登録を行うには、通常の微分方程式(ODE)の計算コストがかかる。
この問題に対処するために、これらのODEを解く指数写像は、文献におけるスケーリング法とスクアリング法を用いて計算される。
本稿では,運動中のヒト関節の均質ポリリジッド変換の滑らかな補間のための行列対角化に基づくアルゴリズムを提案する。
このオルタナティブな計算手法によるODEの統合は、骨剛性変換が人間の関節運動の機械的制約を満たすという事実により、局所的な骨変換の対角化と結果として生じる関節変換を確実にする条件を提供する。
スケーリング・スカーリング法と比較し,密度の高い正則格子上の行列指数関数の計算に伴う計算負荷を大幅に低減する行列固有分解法の有用性について考察した。
最後に, 足関節の動的MRIの時間分解能を高めるために本手法を適用した。
数値実験の結果,固有デコンポジション法は精度,計算時間,メモリ要求のトレードオフのバランスをとることができることがわかった。
関連論文リスト
- Enhancing Low-Order Discontinuous Galerkin Methods with Neural Ordinary Differential Equations for Compressible Navier--Stokes Equations [0.1578515540930834]
圧縮可能なNavier-Stokes方程式を解くためのエンドツーエンドの微分可能なフレームワークを提案する。
この統合アプローチは、微分可能不連続なガレルキン解法とニューラルネットワークのソース項を組み合わせる。
提案するフレームワークの性能を2つの例で示す。
論文 参考訳（メタデータ） (2023-10-29T04:26:23Z) - Diffeomorphic Transformations for Time Series Analysis: An Efficient
Approach to Nonlinear Warping [0.0]
多くの分野にわたる時間データの拡散と普遍性は、類似性、分類、クラスタリング手法への関心を喚起した。
ユークリッドのような伝統的な距離測度は、時間に依存したデータの性質のため適していない。
この論文は、パラメトリックおよび微分同相のワープ変換を用いる新しい弾性アライメント法を提案する。
論文 参考訳（メタデータ） (2023-09-25T10:51:47Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Neural incomplete factorization: learning preconditioners for the conjugate gradient method [2.899792823251184]
我々は、効率的なプレコンディショナーの生成を加速するためのデータ駆動型アプローチを開発する。
一般的に手動のプリコンディショナーをグラフニューラルネットワークの出力に置き換える。
本手法は, 行列の不完全分解を発生させ, 神経不完全分解(NeuralIF)と呼ばれる。
論文 参考訳（メタデータ） (2023-05-25T11:45:46Z) - Classification of BCI-EEG based on augmented covariance matrix [0.0]
本稿では,運動画像分類の改善を目的とした自己回帰モデルから抽出した拡張共分散に基づく新しいフレームワークを提案する。
私たちはMOABBフレームワークを使って、いくつかのデータセットといくつかの主題でアプローチを検証します。
論文 参考訳（メタデータ） (2023-02-09T09:04:25Z) - Adaptive Stochastic Optimisation of Nonconvex Composite Objectives [2.1700203922407493]
一般化された複合ミラー降下アルゴリズムの一群を提案し,解析する。
適応的なステップサイズでは、提案アルゴリズムは問題の事前知識を必要とせずに収束する。
決定集合の低次元構造を高次元問題に活用する。
論文 参考訳（メタデータ） (2022-11-21T18:31:43Z) - Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。
DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文 参考訳（メタデータ） (2021-06-14T17:19:44Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳（メタデータ） (2021-03-05T04:42:32Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳（メタデータ） (2021-02-16T04:07:13Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳（メタデータ） (2020-06-16T13:41:54Z)
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。