論文の概要: Prediction of Object Geometry from Acoustic Scattering Using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2010.10691v3
• Date: Wed, 10 Feb 2021 23:24:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 01:00:57.696390
• Title: Prediction of Object Geometry from Acoustic Scattering Using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた音響散乱からの物体形状予測
• Authors: Ziqi Fan, Vibhav Vineet, Chenshen Lu, T.W. Wu, Kyla McMullen
• Abstract要約: 本研究は,畳み込みニューラルネットワークを訓練することにより,散乱特徴から物体形状を推定することを提案する。 データ劣化に対する我々のアプローチの堅牢性は、データセットを用いてトレーニングされたネットワークの性能を比較して評価する。
• 参考スコア（独自算出の注目度）: 8.067201256886733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acoustic scattering is strongly influenced by boundary geometry of objects over which sound scatters. The present work proposes a method to infer object geometry from scattering features by training convolutional neural networks. The training data is generated from a fast numerical solver developed on CUDA. The complete set of simulations is sampled to generate multiple datasets containing different amounts of channels and diverse image resolutions. The robustness of our approach in response to data degradation is evaluated by comparing the performance of networks trained using the datasets with varying levels of data degradation. The present work has found that the predictions made from our models match ground truth with high accuracy. In addition, accuracy does not degrade when fewer data channels or lower resolutions are used.
• Abstract（参考訳）: 音響散乱は音が散乱する物体の境界形状に強く影響される。 本研究では,畳み込みニューラルネットワークの学習により物体形状を散乱特徴から推定する手法を提案する。 cuda上に開発された高速数値解法からトレーニングデータを生成する。 シミュレーションの完全なセットをサンプルして、異なる量のチャンネルと多様な画像解像度を含む複数のデータセットを生成する。 データ劣化に対するアプローチのロバスト性は,データセットを用いてトレーニングしたネットワークの性能と,データ劣化のレベルを比較して評価する。 本研究により,我々のモデルから得られた予測は,精度良く真理と一致することがわかった。 さらに、少ないデータチャネルや低い解像度を使用する場合、精度は低下しない。

関連論文リスト

• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• A Deep Learning Framework for Three Dimensional Shape Reconstruction from Phaseless Acoustic Scattering Far-field Data [11.588406765923999]
  我々は単一入射波、単一周波数、位相なし遠距離データによる限られた情報を用いた形状復元のためのディープラーニングフレームワークを開発する。 これは、(a)3次元変分オートエンコーダによって学習されたコンパクトな確率的形状潜在空間と、(b)音響散乱情報をこの形状表現にマッピングするように訓練された畳み込みニューラルネットワークを用いて行われる。 提案するフレームワークは、一般的な3D形状認識データセットであるShapeNetと同様に、合成3Dデータセットで評価される。
  論文  参考訳（メタデータ） (2024-06-24T14:58:49Z)
• Domain-Transferred Synthetic Data Generation for Improving Monocular Depth Estimation [9.812476193015488]
  本稿では,3次元合成環境とCycleGANドメイン転送を用いたシミュレーションデータ生成手法を提案する。 本研究では,DenseDepth構造に基づく深度推定モデルを実データと模擬データの異なるトレーニングセットを用いて学習することにより,このデータ生成手法を,人気のNYUDepth V2データセットと比較する。 本稿では,Huskyロボットによる新たに収集した画像とLiDAR深度データを用いたモデルの性能評価を行い,GAN変換データを実世界のデータ,特に深度推定の有効な代替手段として有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-02T09:21:10Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Data Augmentation Through Monte Carlo Arithmetic Leads to More Generalizable Classification in Connectomics [0.0]
  我々はMonte Carlo Arithmeticを用いて構造コネクトーム推定パイプラインを摂動する。 摂動ネットワークは、拡張データセットでキャプチャされ、年齢分類タスクに使用された。 この利点は、大量の摂動を妨げないので、データセットを極小に摂動しても意味のあるばらつきを生じさせ、その後に設計されたモデルで捉えることができることを示唆している。
  論文  参考訳（メタデータ） (2021-09-20T16:06:05Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Level-Set Curvature Neural Networks: A Hybrid Approach [0.0]
  レベルセット法で平均曲率を計算するための深層学習に基づくハイブリッド戦略を提案する。 提案手法は,改良回帰モデルの辞書と標準数値スキームを組み合わせて,曲率をより正確に推定する。 機械学習は、レベルセット手法の数値的欠点に対する実行可能な解決策を考案する有望な場であることを確認した。
  論文  参考訳（メタデータ） (2021-04-07T06:51:52Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Graph Convolutional Neural Networks for Body Force Prediction [0.0]
  グラフベースのデータ駆動モデルを示し、非構造化メッシュ上で定義されたフィールドの推論を行う。 ネットワークは、異なる解像度のフィールドサンプルから推論することができ、各サンプルの測定結果が提示される順序に不変である。
  論文  参考訳（メタデータ） (2020-12-03T19:53:47Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。