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
- 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) - Robust Audio Anomaly Detection [10.75127981612396]
提案されたアプローチは、トレーニングデータセットにラベル付き異常が存在することを前提としません。
時間力学は、注意機構を付加した繰り返し層を用いてモデル化される。
ネットワークの出力は、外向きの頑健な確率密度関数である。
論文 参考訳(メタデータ) (2022-02-03T17:19:42Z) - 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) - Estimating permeability of 3D micro-CT images by physics-informed CNNs
based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。
透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。
その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文 参考訳(メタデータ) (2021-09-04T08:43:19Z) - 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) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z) - 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。