Fugu-MT 論文翻訳(概要): A spatial model checker in GPU (extended version)

論文の概要: A spatial model checker in GPU (extended version)

arxiv url: http://arxiv.org/abs/2010.07284v1
Date: Wed, 14 Oct 2020 17:58:28 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 14:11:46.704128
Title: A spatial model checker in GPU (extended version)
Title（参考訳）: GPUにおける空間モデルチェッカー(拡張版)
Authors: Laura Bussi, Vincenzo Ciancia, Fabio Gadducci
Abstract要約: 我々は、新しいGPUベースのvoxlogicaを紹介し、その実装、スケーラビリティ、アプリケーションについて議論する。単純な論理的仕様による脳腫瘍のセグメント化のための既存のベンチマークの解析は、最先端の精度に達した。
参考スコア（独自算出の注目度）: 0.9023847175654602
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The tool voxlogica merges the state-of-the-art library of computational imaging algorithms ITK with the combination of declarative specification and optimised execution provided by spatial logic model checking. The analysis of an existing benchmark for segmentation of brain tumours via a simple logical specification reached state-of-the-art accuracy. We present a new, GPU-based version of voxlogica and discuss its implementation, scalability, and applications.
Abstract（参考訳）: このツールのvoxlogicaは、計算画像アルゴリズムITKの最先端ライブラリを宣言仕様と空間論理モデルチェックによる最適化実行の組み合わせでマージする。単純な論理仕様による脳腫瘍のセグメンテーションのための既存のベンチマークの分析は、最先端の精度に到達した。本稿では,新しいgpuベースのvoxlogicaについて述べるとともに,その実装,スケーラビリティ,アプリケーションについて述べる。

関連論文リスト

GPU Based Differential Evolution: New Insights and Comparative Study [7.5961910202572644]
この研究は、GPUベースの微分進化アルゴリズムの文献における主要なアーキテクチャ選択についてレビューする。新しいGPUベースの数値最適化ベンチマークを導入し、GPUベースのDEMアルゴリズムを評価し比較する。
論文参考訳（メタデータ） (2024-05-26T12:40:39Z)
Hierarchical Graph Pattern Understanding for Zero-Shot VOS [102.21052200245457]
本稿では、ゼロショットビデオオブジェクトセグメンテーション(ZS-VOS)のための新しい階層型グラフニューラルネットワーク(GNN)アーキテクチャを提案する。構造的関係を捕捉するGNNの強い能力にインスパイアされたHGPUは、運動キュー(すなわち光の流れ)を革新的に活用し、ターゲットフレームの隣人からの高次表現を強化する。
論文参考訳（メタデータ） (2023-12-15T04:13:21Z)
An Encoding of Abstract Dialectical Frameworks into Higher-Order Logic [57.24311218570012]
このアプローチは抽象弁証法フレームワークのコンピュータ支援分析を可能にする。応用例としては、メタ理論的性質の形式的解析と検証がある。
論文参考訳（メタデータ） (2023-12-08T09:32:26Z)
LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文参考訳（メタデータ） (2023-09-24T05:43:19Z)
A High-Performance Accelerator for Super-Resolution Processing on Embedded GPU [24.084304913250826]
組み込みデバイス上でのフルスタックSRアクセラレーションフレームワークを実装した。ディープ辞書学習ベースのSRモデルにおける通信と計算のボトルネックは、完全に取り組まれている。
論文参考訳（メタデータ） (2023-03-16T00:09:09Z)
A Direct Approximation of AIXI Using Logical State Abstractions [6.570488724773507]
本稿では,強化学習エージェントに対するベイズ最適性の概念である AIXI と論理状態抽象化の実践的統合を提案する。状態抽象化を形成するための機能の適切なサブセットを選択するという問題に対処する。その後、抽象状態列上のコンテキストツリー重み付けの適切な一般化を用いて、厳密なベイズモデル学習が達成される。
論文参考訳（メタデータ） (2022-10-13T11:30:56Z)
A modular software framework for the design and implementation of ptychography algorithms [55.41644538483948]
我々は,Pychographyデータセットをシミュレートし,最先端の再構築アルゴリズムをテストすることを目的とした,新しいptychographyソフトウェアフレームワークであるSciComを紹介する。その単純さにもかかわらず、ソフトウェアはPyTorchインターフェースによる高速化処理を利用する。結果は合成データと実データの両方で示される。
論文参考訳（メタデータ） (2022-05-06T16:32:37Z)
Topological Data Analysis for Anomaly Detection in Host-Based Logs [1.0878040851638]
そこで本研究では,Windows ログから直接単体錯体のろ過を構築する手法を提案し,トポロジカルツールを用いた固有構造解析を可能にする。最終的には、異常検出のための説明可能なフレームワークの一部として、メソッドが使用される可能性について議論する。
論文参考訳（メタデータ） (2022-04-25T20:41:02Z)
Geometric Model Checking of Continuous Space [0.0]
閉空間空間の空間論理(SLCS)は、離散空間を推論するための固体論理フレームワークの核を構成する。連続空間におけるSLCSの解釈を、ポリヘドラに基づくモデルに頼って、モデル検査の手続きを認めることが可能であることを示す。 SLCS式をポリヘドラ上で効率よく検証することを目的とした,新しいツールPolyLogicAによるアプローチの実現可能性を示す。
論文参考訳（メタデータ） (2021-05-13T11:25:25Z)
Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文参考訳（メタデータ） (2020-11-06T12:17:01Z)
Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
論文参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。