論文の概要: Supervised deep learning of elastic SRV distances on the shape space of
curves
- arxiv url: http://arxiv.org/abs/2101.04929v1
- Date: Wed, 13 Jan 2021 08:15:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-03 19:10:25.337011
- Title: Supervised deep learning of elastic SRV distances on the shape space of
curves
- Title(参考訳): 曲線の形状空間上の弾性SRV距離の教師付き深度学習
- Authors: Emmanuel Hartman, Yashil Sukurdeep, Nicolas Charon, Eric Klassen,
Martin Bauer
- Abstract要約: 本稿では,曲線間の距離を直接計算するための教師付きディープラーニングフレームワークを提案する。
本手法の計算速度と精度の点での利点は,いくつかの数値実験によって示される。
- 参考スコア(独自算出の注目度): 6.378513792050355
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivated by applications from computer vision to bioinformatics, the field
of shape analysis deals with problems where one wants to analyze geometric
objects, such as curves, while ignoring actions that preserve their shape, such
as translations, rotations, or reparametrizations. Mathematical tools have been
developed to define notions of distances, averages, and optimal deformations
for geometric objects. One such framework, which has proven to be successful in
many applications, is based on the square root velocity (SRV) transform, which
allows one to define a computable distance between spatial curves regardless of
how they are parametrized. This paper introduces a supervised deep learning
framework for the direct computation of SRV distances between curves, which
usually requires an optimization over the group of reparametrizations that act
on the curves. The benefits of our approach in terms of computational speed and
accuracy are illustrated via several numerical experiments.
- Abstract(参考訳): コンピュータビジョンからバイオインフォマティクスへの応用によって動機づけられた形状解析の分野は、曲線のような幾何学的対象を解析したいという問題を扱う一方で、翻訳、回転、再パラメータ化などの形状を保存する行動を無視している。
幾何学的対象に対する距離、平均、最適な変形の概念を定義するために数学的ツールが開発された。
このようなフレームワークは、多くのアプリケーションで成功したことが証明されており、正方根速度(SRV)変換に基づいており、どのようにパラメータ化されているかに関わらず、空間曲線間の計算可能な距離を定義することができる。
本稿では,曲線間のSRV距離を直接計算するための教師付きディープラーニングフレームワークを提案する。
本手法の計算速度と精度の点での利点は,いくつかの数値実験によって示される。
関連論文リスト
- Sample-Efficient Geometry Reconstruction from Euclidean Distances using Non-Convex Optimization [7.114174944371803]
ユークリッド距離情報点対を埋め込む適切な点を見つける問題は、コアタスクとサブマシン学習の問題の両方として生じる。
本稿では,最小限のサンプル数を考えると,この問題を解決することを目的とする。
論文 参考訳(メタデータ) (2024-10-22T13:02:12Z) - Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳(メタデータ) (2024-02-08T17:57:59Z) - Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳(メタデータ) (2023-11-30T13:50:21Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳(メタデータ) (2023-05-03T13:45:40Z) - Curved Geometric Networks for Visual Anomaly Recognition [39.91252195360767]
データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。
本研究では,データ中の異常やアウト・オブ・ディストリビューション・オブジェクトを解析するための曲線空間の利点について検討する。
論文 参考訳(メタデータ) (2022-08-02T01:15:39Z) - Elastic shape analysis of surfaces with second-order Sobolev metrics: a
comprehensive numerical framework [11.523323270411959]
本稿では3次元表面形状解析のための数値的手法を提案する。
本研究では、3次元メッシュとして表されるパラメータ化面と非パラメータ化面の間の測地線と測地線距離の計算に対処する。
論文 参考訳(メタデータ) (2022-04-08T18:19:05Z) - DeepMLS: Geometry-Aware Control Point Deformation [76.51312491336343]
本稿では,空間に基づく変形技術であるDeepMLSを紹介する。
ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。
本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
論文 参考訳(メタデータ) (2022-01-05T23:55:34Z) - Equivalent Distance Geometry Error for Molecular Conformation Comparison [26.331322944298208]
コンフォメーション間の差分差を計算するために,等価距離幾何学誤差(EDGE)を提案する。
本手法の改良版では, 3ホップ内における原子対距離の線形変換を最小化する。
論文 参考訳(メタデータ) (2021-11-13T09:04:55Z) - Hermitian Symmetric Spaces for Graph Embeddings [0.0]
C 上の対称行列空間におけるグラフの連続表現を学ぶ。
これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。
提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
論文 参考訳(メタデータ) (2021-05-11T18:14:52Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳(メタデータ) (2021-02-16T04:07:13Z) - 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)
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。