論文の概要: Deep Neural Network for 3D Surface Segmentation based on Contour Tree Hierarchy

• arxiv url: http://arxiv.org/abs/2008.11269v1
• Date: Tue, 25 Aug 2020 20:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 03:15:40.317444
• Title: Deep Neural Network for 3D Surface Segmentation based on Contour Tree Hierarchy
• Title（参考訳）: 輪郭木階層に基づく三次元表面セグメンテーションのためのディープニューラルネットワーク
• Authors: Wenchong He, Arpan Man Sainju, Zhe Jiang and Da Yan
• Abstract要約: 表面セグメンテーションの問題は、非空間的特徴と表面トポロジーの両方に基づいて、ピクセルを連続クラスに分類することを目的としている。 この問題は、水理学、惑星科学、生化学において重要な応用であるが、いくつかの理由により独特な挑戦である。 本研究では,異なる標高で表面輪郭の進化を捉えるポリツリーである輪郭樹の骨格構造を用いて表面トポロジカルな構造を表現することを提案する。
• 参考スコア（独自算出の注目度）: 16.299989013121856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given a 3D surface defined by an elevation function on a 2D grid as well as non-spatial features observed at each pixel, the problem of surface segmentation aims to classify pixels into contiguous classes based on both non-spatial features and surface topology. The problem has important applications in hydrology, planetary science, and biochemistry but is uniquely challenging for several reasons. First, the spatial extent of class segments follows surface contours in the topological space, regardless of their spatial shapes and directions. Second, the topological structure exists in multiple spatial scales based on different surface resolutions. Existing widely successful deep learning models for image segmentation are often not applicable due to their reliance on convolution and pooling operations to learn regular structural patterns on a grid. In contrast, we propose to represent surface topological structure by a contour tree skeleton, which is a polytree capturing the evolution of surface contours at different elevation levels. We further design a graph neural network based on the contour tree hierarchy to model surface topological structure at different spatial scales. Experimental evaluations based on real-world hydrological datasets show that our model outperforms several baseline methods in classification accuracy.
• Abstract（参考訳）: 2dグリッド上の標高関数と各ピクセルで観測される非空間的特徴によって定義される3d曲面が与えられたとき、表面分割の問題は、非空間的特徴と表面トポロジーの両方に基づいてピクセルを連続したクラスに分類することを目的としている。 この問題は、水理学、惑星科学、生化学において重要な応用であるが、いくつかの理由により独特な挑戦である。 まず、クラスセグメントの空間的範囲は、その空間的形状や方向に関わらず、位相空間の表面輪郭に従う。 第二に、位相構造は異なる表面分解能に基づく複数の空間スケールに存在する。 画像分割のための既存の広く成功したディープラーニングモデルは、グリッド上の規則的な構造パターンを学ぶために畳み込みやプール操作に依存するため、しばしば適用されない。 対照的に,異なる標高で表面輪郭の進化を捉えた多樹である輪郭樹の骨格によって表面トポロジー構造を表現することを提案する。 さらに,輪郭木階層に基づくグラフニューラルネットワークの設計を行い,異なる空間スケールで表面トポロジ構造をモデル化する。 実世界の水文データに基づく実験評価により,本モデルがいくつかのベースライン法よりも精度が優れていることが示された。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Neural varifolds: an aggregate representation for quantifying the geometry of point clouds [2.2474167740753557]
  本稿では,新しい表面形状特徴化,すなわち点雲のニューラルバリアフォールド表現を提案する。 変数表現は、多様体に基づく判別を通じて点雲の表面幾何学を定量化する。 提案したニューラルバリアフォールドは, 形状マッチング, 少数ショット形状分類, 形状再構成の3つの異なるタスクで評価される。
  論文  参考訳（メタデータ） (2024-07-05T20:08:16Z)
• GEM3D: GEnerative Medial Abstractions for 3D Shape Synthesis [25.594334301684903]
  GEM3Dは3次元形状の新しい深層トポロジ対応生成モデルである。 本手法の主な要素は,形状トポロジーと幾何学の両方の情報をコードする神経骨格に基づく表現である。 我々は,最先端技術と比較して,表面の忠実な再構築と多様な形状生成結果を示す。
  論文  参考訳（メタデータ） (2024-02-26T20:00:57Z)
• Unsupervised Multimodal Surface Registration with Geometric Deep Learning [3.3403308469369577]
  GeoMorphは、皮質表面の画像登録用に設計された新しい幾何学的深層学習フレームワークである。 よりスムーズな変形によるアライメントの改善により,GeoMorphは既存のディープラーニング手法よりも優れていることを示す。 このような汎用性と堅牢性は、様々な神経科学応用に強い可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-21T22:05:00Z)
• NeuroGF: A Neural Representation for Fast Geodesic Distance and Path Queries [77.04220651098723]
  本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。 具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。 NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T13:32:21Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
  1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。 ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。 提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
  論文  参考訳（メタデータ） (2020-08-18T06:33:40Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。