論文の概要: Extraction of Discrete Spectra Modes from Video Data Using a Deep Convolutional Koopman Network

• arxiv url: http://arxiv.org/abs/2010.09245v1
• Date: Mon, 19 Oct 2020 06:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 23:17:27.951272
• Title: Extraction of Discrete Spectra Modes from Video Data Using a Deep Convolutional Koopman Network
• Title（参考訳）: deep convolutional koopman networkを用いたビデオデータからの離散スペクトルモードの抽出
• Authors: Scott Leask, Vincent McDonell
• Abstract要約: クープマン理論の最近の深層学習拡張は、非線形力学系のコンパクトで解釈可能な表現を可能にした。 ディープ・クープマン・ネットワークはコープマン固有関数を学習し、座標変換を捉え、システムダイナミクスを大域的に線形化する。 離散スペクトルを持つ力学系における独立モードの自動同定における深い畳み込みクープマンネットワーク(CKN)の機能を示す。
• 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: Recent deep learning extensions in Koopman theory have enabled compact, interpretable representations of nonlinear dynamical systems which are amenable to linear analysis. Deep Koopman networks attempt to learn the Koopman eigenfunctions which capture the coordinate transformation to globally linearize system dynamics. These eigenfunctions can be linked to underlying system modes which govern the dynamical behavior of the system. While many related techniques have demonstrated their efficacy on canonical systems and their associated state variables, in this work the system dynamics are observed optically (i.e. in video format). We demonstrate the ability of a deep convolutional Koopman network (CKN) in automatically identifying independent modes for dynamical systems with discrete spectra. Practically, this affords flexibility in system data collection as the data are easily obtainable observable variables. The learned models are able to successfully and robustly identify the underlying modes governing the system, even with a redundantly large embedding space. Modal disaggregation is encouraged using a simple masking procedure. All of the systems analyzed in this work use an identical network architecture.
• Abstract（参考訳）: クープマン理論の最近の深層学習拡張は、線形解析に適する非線形力学系のコンパクトで解釈可能な表現を可能にした。 ディープ・クープマン・ネットワークは座標変換を捉えるクープマン固有関数を学習し、システムダイナミクスをグローバルに線形化しようとする。 これらの固有関数は、システムの動的挙動を管理する基礎となるシステムモードにリンクすることができる。 多くの関連技術が標準系とその関連する状態変数に対して有効性を示しているが、この研究では系力学は光学的に観察される(ビデオ形式)。 離散スペクトルを持つ力学系における独立モードの自動同定における深い畳み込みクープマンネットワーク(CKN)の機能を示す。 実際、データの取得が容易な可観測変数であるため、システムデータ収集の柔軟性が得られます。 学習されたモデルは、冗長に大きな埋め込み空間であっても、システムを支配する基盤となるモードを成功かつ堅牢に識別することができる。 モーダル・ディスアグレゲーションは単純なマスキング手順を用いて推奨される。 この研究で分析された全てのシステムは同一のネットワークアーキテクチャを使用する。

関連論文リスト

• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Learning dynamical systems: an example from open quantum system dynamics [0.0]
  我々は、デファスゲートと結合した小さなスピン鎖のダイナミクスについて研究する。 クープマン演算子学習は, 密度行列の進化だけでなく, システムに付随するすべての物理観測可能量についても, 効率的に学習する手法であることを示す。
  論文  参考訳（メタデータ） (2022-11-12T14:36:13Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Dynamic Inference with Neural Interpreters [72.90231306252007]
  本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。 モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。 ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-12T23:22:45Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Deep Learning Enhanced Dynamic Mode Decomposition [0.0]
  畳み込みオートエンコーダネットワークを用いて、観測対象の最適なファミリーを同時に見つける。 また,観測可能空間への流れの正確な埋め込みと,観測可能空間の流れ座標への浸漬も生成する。 このネットワークはフローのグローバルな変換をもたらし、EDMDとデコーダネットワークを介して将来の状態を予測する。
  論文  参考訳（メタデータ） (2021-08-10T03:54:23Z)
• Discovering Sparse Interpretable Dynamics from Partial Observations [0.0]
  部分的な観測のみを用いてこれらの支配方程式を発見するための機械学習フレームワークを提案する。 本手法がシステム全体の再構築に有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-22T18:23:23Z)
• CKNet: A Convolutional Neural Network Based on Koopman Operator for Modeling Latent Dynamics from Pixels [5.286010070038216]
  そこで我々は,Koopman演算子(CKNet)に基づく畳み込みニューラルネットワーク(CNN)を提案し,生画素から潜時ダイナミクスを同定する。 実験では、32ディムの特定ダイナミクスが有効な120ステップを予測し、明確な画像を生成することが示されています。
  論文  参考訳（メタデータ） (2021-02-19T23:29:08Z)
• Applications of Koopman Mode Analysis to Neural Networks [52.77024349608834]
  我々は,ニューラルネットワークのトレーニング過程を,高次元の重み空間に作用する力学系と考える。 アーキテクチャに必要なレイヤ数を決定するために、Koopmanスペクトルをどのように利用できるかを示す。 また、Koopmanモードを使えば、ネットワークを選択的にプーンしてトレーニング手順を高速化できることを示す。
  論文  参考訳（メタデータ） (2020-06-21T11:00:04Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。