論文の概要: BraggNN: Fast X-ray Bragg Peak Analysis Using Deep Learning
- arxiv url: http://arxiv.org/abs/2008.08198v2
- Date: Wed, 2 Jun 2021 20:10:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 22:14:37.350144
- Title: BraggNN: Fast X-ray Bragg Peak Analysis Using Deep Learning
- Title（参考訳）: BraggNN:ディープラーニングによる高速X線ブラッグピーク解析
- Authors: Zhengchun Liu, Hemant Sharma, Jun-Sang Park, Peter Kenesei, Antonino
Miceli, Jonathan Almer, Rajkumar Kettimuthu, Ian Foster
- Abstract要約: 従来の擬似Voigtのピークフィッティングよりも高速にピーク位置を決定できる深層学習に基づくBraggNNを提案する。
テストデータセットに適用された場合、BraggNNは従来の手法と比較して0.29ピクセル未満と0.57ピクセル未満のエラーをそれぞれ、75%と95%のピークに対して与えている。
BraggNNによって計算されたピーク位置を用いた3次元再構成では、従来の2次元擬似ボジグトフィッティングを用いて決定されたピーク位置を用いた再現に比べて平均15%良い結果が得られる。
- 参考スコア（独自算出の注目度）: 0.6156528407876973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: X-ray diffraction based microscopy techniques such as High Energy Diffraction
Microscopy rely on knowledge of the position of diffraction peaks with high
precision. These positions are typically computed by fitting the observed
intensities in area detector data to a theoretical peak shape such as
pseudo-Voigt. As experiments become more complex and detector technologies
evolve, the computational cost of such peak detection and shape fitting becomes
the biggest hurdle to the rapid analysis required for real-time feedback during
in-situ experiments. To this end, we propose BraggNN, a deep learning-based
method that can determine peak positions much more rapidly than conventional
pseudo-Voigt peak fitting. When applied to a test dataset, BraggNN gives errors
of less than 0.29 and 0.57 pixels, relative to the conventional method, for 75%
and 95% of the peaks, respectively. When applied to a real experimental
dataset, a 3D reconstruction that used peak positions computed by BraggNN
yields 15% better results on average as compared to a reconstruction obtained
using peak positions determined using conventional 2D pseudo-Voigt fitting.
Recent advances in deep learning method implementations and special-purpose
model inference accelerators allow BraggNN to deliver enormous performance
improvements relative to the conventional method, running, for example, more
than 200 times faster than a conventional method on a consumer-class GPU card
with out-of-the-box software.
- Abstract（参考訳）: 高エネルギー回折顕微鏡のようなX線回折に基づく顕微鏡技術は、高精度な回折ピークの位置の知識に依存している。
これらの位置は通常、観測された領域検出器データの強度を擬似Voigtのような理論的なピーク形状に合わせることで計算される。
実験が複雑化し、検出器技術が進化するにつれて、そのようなピーク検出と形状のフィッティングの計算コストは、その場実験中にリアルタイムフィードバックに必要な迅速な分析の最大のハードルとなる。
そこで本研究では,従来の擬似Voigtのピークフィッティングよりも高速にピーク位置を決定する深層学習に基づくBraggNNを提案する。
テストデータセットに適用された場合、BraggNNは従来の手法と比較して0.29ピクセル未満と0.57ピクセル未満のエラーをそれぞれ75%と95%で与えている。
実実験データに適用した場合,BraggNNが計算したピーク位置を用いた3次元再構成では,従来の2次元擬似ボオグトフィッティングを用いて決定したピーク位置を用いた再現に比べて平均15%よい結果が得られる。
ディープラーニングメソッドの実装や専用モデル推論アクセラレーターの最近の進歩により、braggnnは従来の方法に比べて大幅にパフォーマンスが向上し、例えば、アウトオブボックスソフトウェアを備えたコンシューマクラスのgpuカードの従来の方法よりも200倍以上高速になった。
関連論文リスト
- LeRF: Learning Resampling Function for Adaptive and Efficient Image Interpolation [64.34935748707673]
最近のディープニューラルネットワーク(DNN)は、学習データ前処理を導入することで、パフォーマンスを著しく向上させた。
本稿では,DNNが学習した構造的前提と局所的連続仮定の両方を活かした学習再サンプリング(Learning Resampling, LeRF)を提案する。
LeRFは空間的に異なる再サンプリング関数を入力画像ピクセルに割り当て、ニューラルネットワークを用いてこれらの再サンプリング関数の形状を予測する。
論文 参考訳（メタデータ） (2024-07-13T16:09:45Z) - Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。
実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
論文 参考訳（メタデータ） (2024-03-07T00:12:08Z) - Rapid detection of rare events from in situ X-ray diffraction data using
machine learning [3.793863205903028]
高エネルギーX線回折法は、金属多結晶工学材料の3次元微細構造と関連する特性を非破壊的にマッピングすることができる。
これらの方法は、進化するミクロ構造や特性の時間とともにスナップショットを取るために、熱力学的負荷などの外部刺激と組み合わせられることが多い。
本稿では、高エネルギーX線顕微鏡データにおいて、塑性の開始を迅速に検出できる完全自動化技術を提案する。
論文 参考訳（メタデータ） (2023-12-07T02:14:39Z) - Image Segmentation using U-Net Architecture for Powder X-ray Diffraction
Images [35.158892656603214]
実験X線回折(XRD)画像中のアーティファクトを同定する手法を提案する。
提案手法は、可変U-Netなどのディープラーニング畳み込みニューラルネットワークアーキテクチャを用いて、人工物を特定する。
論文 参考訳（メタデータ） (2023-10-24T21:11:09Z) - Fast Monocular Scene Reconstruction with Global-Sparse Local-Dense Grids [84.90863397388776]
本稿では,スパルス・ボクセル・ブロック・グリッドにおける署名付き距離関数(SDF)を直接使用して,距離のない高速かつ正確なシーン再構成を実現することを提案する。
我々の世界規模で疎密で局所的なデータ構造は、表面の空間的空間性を利用して、キャッシュフレンドリーなクエリを可能にし、マルチモーダルデータへの直接拡張を可能にします。
実験により、我々のアプローチはトレーニングでは10倍、レンダリングでは100倍高速であり、最先端のニューラル暗黙法に匹敵する精度を実現していることがわかった。
論文 参考訳（メタデータ） (2023-05-22T16:50:19Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Using a novel fractional-order gradient method for CNN back-propagation [1.6679382332181059]
研究者たちは、新しいディープラーニングモデルを提案し、それを新型コロナウイルスの診断に適用する。
モデルは分数計算のツールを使用し、勾配法の性能を向上させる可能性がある。
論文 参考訳（メタデータ） (2022-05-01T23:38:06Z) - An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy
Image Compression Systems [73.48927855855219]
近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。
本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
論文 参考訳（メタデータ） (2022-01-27T19:47:51Z) - Real-Time COVID-19 Diagnosis from X-Ray Images Using Deep CNN and
Extreme Learning Machines Stabilized by Chimp Optimization Algorithm [3.67350413975883]
本稿では,胸部X線画像の分類のための新しい2段階アプローチを提案する。
第1フェーズでは、機能抽出器として機能するディープCNNをトレーニングし、第2フェーズでは、リアルタイム検出にELM(Extreme Learning Machines)を使用する。
提案手法は、他の比較ベンチマークの98.25%と99.11%を、COVID-Xray-5kとCOVIDetectioNetデータセットの最終的な精度で上回る。
論文 参考訳（メタデータ） (2021-05-14T20:04:04Z) - Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。
scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
論文 参考訳（メタデータ） (2021-05-10T23:51:14Z) - Anomaly Detection on X-Rays Using Self-Supervised Aggregation Learning [16.854288765350283]
SALADはX線画像の異常検出のためのエンドツーエンドの自己監視手法である。
提案手法は、深層ニューラルネットワークが原型的局所パターンを表現することを奨励する最適化戦略に基づいている。
我々の異常スコアは、メモリバンク内の正常な原型パターンの重み付け組み合わせと類似性を測定することによって導出される。
論文 参考訳（メタデータ） (2020-10-19T20:49:34Z)
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。