論文の概要: Parallel-beam X-ray CT datasets of apples with internal defects and label balancing for machine learning

• arxiv url: http://arxiv.org/abs/2012.13346v1
• Date: Thu, 24 Dec 2020 17:35:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 12:24:29.264114
• Title: Parallel-beam X-ray CT datasets of apples with internal defects and label balancing for machine learning
• Title（参考訳）: 内部欠陥を有するリンゴの並列ビームX線CTデータセットと機械学習のためのラベルバランス
• Authors: Sophia Bethany Coban and Vladyslav Andriiashen and Poulami Somanya Ganguly and Maureen van Eijnatten and Kees Joost Batenburg
• Abstract要約: 内部欠陥のある94個のリンゴの3つの並列ビームトモグラフィーデータセットと欠陥ラベルファイルを示す。 データセットは、データ駆動、学習に基づく画像再構成、セグメンテーション、後処理法の開発とテストのために準備されている。
• 参考スコア（独自算出の注目度）: 0.34998703934432673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present three parallel-beam tomographic datasets of 94 apples with internal defects along with defect label files. The datasets are prepared for development and testing of data-driven, learning-based image reconstruction, segmentation and post-processing methods. The three versions are a noiseless simulation; simulation with added Gaussian noise, and with scattering noise. The datasets are based on real 3D X-ray CT data and their subsequent volume reconstructions. The ground truth images, based on the volume reconstructions, are also available through this project. Apples contain various defects, which naturally introduce a label bias. We tackle this by formulating the bias as an optimization problem. In addition, we demonstrate solving this problem with two methods: a simple heuristic algorithm and through mixed integer quadratic programming. This ensures the datasets can be split into test, training or validation subsets with the label bias eliminated. Therefore the datasets can be used for image reconstruction, segmentation, automatic defect detection, and testing the effects of (as well as applying new methodologies for removing) label bias in machine learning.
• Abstract（参考訳）: 内部欠陥のある94個のリンゴの3つの並列ビームトモグラフィーデータセットと欠陥ラベルファイルを示す。 データセットは、データ駆動で学習に基づく画像再構成、セグメンテーション、後処理方法の開発とテストのために準備されている。 3つのバージョンは無ノイズシミュレーションであり、ガウスノイズの追加と散乱ノイズによるシミュレーションである。 データセットは、実際の3次元X線CTデータとその後のボリューム再構成に基づいている。 ボリューム再構成に基づく地上の真理像もこのプロジェクトを通じて利用可能である。 Appleには様々な欠陥があり、当然ラベルバイアスが生じる。 我々は、バイアスを最適化問題として定式化することでこれに取り組む。 さらに,この問題を単純なヒューリスティックアルゴリズムと混合整数二次計画という2つの手法で解くことを実証する。 これにより、データセットをテスト、トレーニング、検証サブセットに分割し、ラベルバイアスを排除できる。 したがって、データセットは、画像再構成、セグメンテーション、自動欠陥検出、機械学習におけるラベルバイアスの影響(削除のための新しい手法の適用)のテストに使用できる。

関連論文リスト

• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• Doppelgangers: Learning to Disambiguate Images of Similar Structures [76.61267007774089]
  幻像マッチングは、人間が区別することは困難であり、3D再構成アルゴリズムに誤った結果をもたらす可能性がある。 本稿では,視覚的曖昧化に対する学習に基づくアプローチを提案し,イメージペア上でのバイナリ分類タスクとして定式化する。 本手法は, 難易度の高い画像の一致を識別し, SfMパイプラインに統合することにより, 正確な3次元再構成を実現できることを示す。
  論文  参考訳（メタデータ） (2023-09-05T17:50:36Z)
• DatasetEquity: Are All Samples Created Equal? In The Quest For Equity Within Datasets [4.833815605196965]
  本稿では,機械学習におけるデータ不均衡に対処する新しい手法を提案する。 深い知覚埋め込みとクラスタリングを用いて、画像の外観に基づいてサンプル確率を計算する。 次に、これらの可能性を使って、提案された$bf Generalized Focal Loss$関数で、トレーニング中にサンプルを異なる重さで測定する。
  論文  参考訳（メタデータ） (2023-08-19T02:11:49Z)
• Improved Cryo-EM Pose Estimation and 3D Classification through Latent-Space Disentanglement [14.973360669658561]
  本稿では,自己教師付き変分オートエンコーダアーキテクチャであるHetACUMNを提案する。 シミュレーションデータセットの結果,HetACUMNは,他のアモータイズ法や非アモータイズ法よりも正確なコンフォメーション分類が得られた。
  論文  参考訳（メタデータ） (2023-08-09T13:41:30Z)
• HandCT: hands-on computational dataset for X-Ray Computed Tomography and Machine-Learning [0.0]
  データ駆動型アルゴリズムのサンプルを作成するために,3次元プロシージャデータセットを開発した。 左手とスクリプトのメッシュモデルで作られ、解剖学的特性とポーズをランダムに変更する。 このオープンソースのソリューションは、フリーウェアのBlenderとそのPythonコアに依存している。
  論文  参考訳（メタデータ） (2023-04-17T13:26:28Z)
• 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)
• CTRL: Clustering Training Losses for Label Error Detection [4.49681473359251]
  教師付き機械学習では、正確なラベルの使用は高い精度を保証するために極めて重要である。 本稿では,ラベル誤り検出のための新しいフレームワークClustering TRaining Lossesを提案する。 モデルが異なる方法でクリーンでノイズの多いラベルを学習する観察に基づいて、ラベルエラーを2つのステップで検出する。
  論文  参考訳（メタデータ） (2022-08-17T18:09:19Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
  ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
  論文  参考訳（メタデータ） (2021-08-06T04:00:28Z)
• Seismic Fault Segmentation via 3D-CNN Training by a Few 2D Slices Labels [6.963867115353744]
  我々は3次元地震データから2次元スライスをサンプリングし,新しい2次元クロスエントロピーと滑らかなL1損失を3D-CNNの訓練に適用する。 実験により,実データから2次元スライスラベルから3次元地震特性を抽出し,断層容積を分割できることを示した。
  論文  参考訳（メタデータ） (2021-05-09T07:13:40Z)

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。