論文の概要: Connectivity-informed Drainage Network Generation using Deep Convolution
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2006.13304v1
- Date: Tue, 16 Jun 2020 20:35:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 20:39:33.152709
- Title: Connectivity-informed Drainage Network Generation using Deep Convolution
Generative Adversarial Networks
- Title（参考訳）: 深層畳み込み生成逆ネットワークを用いた接続型ドレナージネットワーク生成
- Authors: Sung Eun Kim, Yongwon Seo, Junshik Hwang, Hongkyu Yoon, and Jonghyun
Lee
- Abstract要約: すでに生成されたネットワークサンプルから排水網を再現するために,DCGAN(Deep Convolutional Generative Adversarial Networks)を適用した。
ドレインジネットワーク画像からドレインジネットワークの各ノード上の流れの方向情報に変換する新しい接続インフォームド手法を開発した。
- 参考スコア（独自算出の注目度）: 1.7942265700058988
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stochastic network modeling is often limited by high computational costs to
generate a large number of networks enough for meaningful statistical
evaluation. In this study, Deep Convolutional Generative Adversarial Networks
(DCGANs) were applied to quickly reproduce drainage networks from the already
generated network samples without repetitive long modeling of the stochastic
network model, Gibb's model. In particular, we developed a novel
connectivity-informed method that converts the drainage network images to the
directional information of flow on each node of the drainage network, and then
transform it into multiple binary layers where the connectivity constraints
between nodes in the drainage network are stored. DCGANs trained with three
different types of training samples were compared; 1) original drainage network
images, 2) their corresponding directional information only, and 3) the
connectivity-informed directional information. Comparison of generated images
demonstrated that the novel connectivity-informed method outperformed the other
two methods by training DCGANs more effectively and better reproducing accurate
drainage networks due to its compact representation of the network complexity
and connectivity. This work highlights that DCGANs can be applicable for high
contrast images common in earth and material sciences where the network,
fractures, and other high contrast features are important.
- Abstract（参考訳）: 確率的ネットワークモデリングは、有意義な統計的評価に十分な数のネットワークを生成するために高い計算コストによってしばしば制限される。
本研究では,Dep Convolutional Generative Adversarial Networks (DCGANs) を用いて,確率的ネットワークモデル,ギブのモデルを繰り返しモデル化することなく,既に生成されたネットワークサンプルからの排水網を高速に再現する。
特に,排水ネットワークの各ノード上の流れの方向情報にドレインネットワークイメージを変換し,ドレインネットワーク内のノード間の接続制約を格納した複数のバイナリ層に変換する,新たな接続変形手法を開発した。
3種類のトレーニングサンプルを用いたDCGANの比較を行った。
1) 当初の排水網の画像
2)対応する方向情報のみ、及び
3)接続不能な方向情報。
生成された画像の比較により,dcganのネットワークの複雑さと接続性のコンパクトな表現により,より効率的に正確なドレナージネットワークを再現する手法が,他の2つの手法よりも優れていることが示された。
本研究は、dcganが、ネットワーク、骨折、その他の高コントラスト特徴が重要である地球や材料科学で一般的な高コントラスト画像に適用可能であることを強調する。
関連論文リスト
- TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - Generative Network Layer for Communication Systems with Artificial
Intelligence [34.67962234401005]
本稿では,中間ノードやエッジノードで生成AI(GenAI)を利用する生成ネットワーク層を提案する。
我々はGenAI支援ノードが実質的に圧縮された潜在表現からなるプロンプトから画像を生成するケーススタディを行う。
論文 参考訳（メタデータ） (2023-12-08T22:41:07Z) - Spiking Generative Adversarial Network with Attention Scoring Decoding [4.5727987473456055]
スパイクニューラルネットワークは、脳のような処理に近づいた近似を提供する。
我々は複雑な画像を扱うことができるスパイク生成対向ネットワークを構築した。
論文 参考訳（メタデータ） (2023-05-17T14:35:45Z) - Online Hybrid Lightweight Representations Learning: Its Application to
Visual Tracking [42.49852446519412]
本稿では,ストリーミングデータのための新しいハイブリッド表現学習フレームワークを提案する。
ビデオ内の画像フレームは、2つの異なるディープニューラルネットワークのアンサンブルによってモデル化される。
ハイブリッド表現手法をオンライン視覚追跡タスクに組み込む。
論文 参考訳（メタデータ） (2022-05-23T10:31:14Z) - Online-updated High-order Collaborative Networks for Single Image
Deraining [51.22694467126883]
単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。
マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。
提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-02-14T09:09:08Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳（メタデータ） (2021-06-15T09:03:28Z) - Scalable Power Control/Beamforming in Heterogeneous Wireless Networks
with Graph Neural Networks [6.631773993784724]
そこで本研究では,HIGNN(heterogeneous Interference Graphural Network)という,教師なし学習に基づく新しいフレームワークを提案する。
HIGNNは、小型ネットワークで訓練された後、堅牢なパフォーマンスで拡大するサイズのワイヤレスネットワークにスケーラブルです。
論文 参考訳（メタデータ） (2021-04-12T13:36:32Z) - Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。
提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。
最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-26T04:04:21Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳（メタデータ） (2020-06-29T17:59:26Z) - Modeling Dynamic Heterogeneous Network for Link Prediction using
Hierarchical Attention with Temporal RNN [16.362525151483084]
我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。
階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。
リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
論文 参考訳（メタデータ） (2020-04-01T17:16:47Z)
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。