論文の概要: Hyperspectral Pigment Analysis of Cultural Heritage Artifacts Using the
Opaque Form of Kubelka-Munk Theory
- arxiv url: http://arxiv.org/abs/2104.04884v1
- Date: Sun, 11 Apr 2021 00:22:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 13:55:58.622673
- Title: Hyperspectral Pigment Analysis of Cultural Heritage Artifacts Using the
Opaque Form of Kubelka-Munk Theory
- Title(参考訳): クベルカ・ムンク理論の不透明な形態を用いた文化遺産のハイパースペクトル顔料分析
- Authors: Abu Md Niamul Taufique, David W. Messinger
- Abstract要約: 本研究では,中国のセルデンマップにおけるグリーン存在量の分類に,単一定数k-m理論を応用した。
地図のハイパースペクトルデータは、オックスフォード大学のボドリアン図書館で収集され、地図内の顔料および空間分布を推定するために使用することができます。
- 参考スコア(独自算出の注目度): 1.14219428942199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Kubelka-Munk (K-M) theory has been successfully used to estimate pigment
concentrations in the pigment mixtures of modern paintings in spectral imagery.
In this study the single-constant K-M theory has been utilized for the
classification of green pigments in the Selden Map of China, a navigational map
of the South China Sea likely created in the early seventeenth century.
Hyperspectral data of the map was collected at the Bodleian Library, University
of Oxford, and can be used to estimate the pigment diversity, and spatial
distribution, within the map. This work seeks to assess the utility of
analyzing the data in the K/S space from Kubelka-Munk theory, as opposed to the
traditional reflectance domain. We estimate the dimensionality of the data and
extract endmembers in the reflectance domain. Then we perform linear unmixing
to estimate abundances in the K/S space, and following Bai, et al. (2017), we
perform a classification in the abundance space. Finally, due to the lack of
ground truth labels, the classification accuracy was estimated by computing the
mean spectrum of each class as the representative signature of that class, and
calculating the root mean squared error with all the pixels in that class to
create a spatial representation of the error. This highlights both the
magnitude of, and any spatial pattern in, the errors, indicating if a
particular pigment is not well modeled in this approach.
- Abstract(参考訳): クベルカ・マンク(K-M)理論は、近代絵画の顔料混合物中の色素濃度をスペクトル画像で推定するのに成功している。
本研究では、17世紀初頭に作成されたであろう南シナ海の航海図である中国セルデン地図における緑色顔料の分類に単一定数k-m理論を応用した。
地図の超スペクトルデータはオックスフォード大学のボドリアン図書館で収集され、地図内の顔料の多様性や空間分布を推定するのに使うことができる。
この研究は、伝統的なリフレクタンス領域とは対照的に、K/S空間のデータをクベルカ・マンク理論から解析する有用性を評価することを目的とする。
我々はデータ次元を推定し、反射領域の終端要素を抽出する。
次に, k/s空間における存在量を推定するために線形不混合を行い, bai, et al に追従する。
(2017) では, 多元空間の分類を行う。
最後に、基底真理ラベルの欠如により、各クラスの平均スペクトルをそのクラスの代表的シグネチャとして計算し、そのクラスのすべてのピクセルで根平均二乗誤差を計算して誤差の空間的表現を作成することにより、分類精度を推定した。
これは、この手法で特定の顔料が十分にモデル化されていないかどうかを示す、空間パターンの大きさと誤差の両方を強調している。
関連論文リスト
- Datacube segmentation via Deep Spectral Clustering [80.32085982862151]
拡張ビジョン技術は、しばしばその解釈に挑戦する。
データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。
本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。
統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
論文 参考訳(メタデータ) (2024-01-31T09:31:28Z) - It's an Alignment, Not a Trade-off: Revisiting Bias and Variance in Deep
Models [51.66015254740692]
深層学習に基づく分類モデルのアンサンブルでは, バイアスと分散がサンプルレベルで一致していることが示される。
我々はこの現象をキャリブレーションと神経崩壊という2つの理論的観点から研究する。
論文 参考訳(メタデータ) (2023-10-13T17:06:34Z) - On the Importance of Feature Representation for Flood Mapping using
Classical Machine Learning Approaches [3.555368338253582]
地球観測データに基づく洪水の浸水マッピングは、洪水の影響を受けた地域を、ほぼリアルタイムで緊急救助隊に、安価で正確な地図を提供するのに役立つ。
本稿では,勾配向上決定木,支持ベクトルマシン,二次判別分析など,従来の5つの機械学習手法の可能性について検討する。
これまでに報告した0.8751と0.7031のIoU値を0.70と0.5873と比較すると、単純な勾配増強分類器はディープニューラルネットワークに基づくアプローチよりも大幅に改善できることが示されている。
論文 参考訳(メタデータ) (2023-03-01T17:39:08Z) - Pluto's Surface Mapping using Unsupervised Learning from Near-Infrared
Observations of LEISA/Ralph [0.0]
我々は、NASAのニューホライズンズ宇宙船に搭載されたLEISA/ラルフ計器の近赤外線観測を用いて、教師なしの機械学習技術を用いて冥王星の表面をマッピングした。
各ユニットの平均I/Fスペクトル(N$_2$,CH$_4$,COおよび非揮発性H$_2$O)の位置と強度から、ユニットを表面組成、地質、地理的位置に接続するために分析した。
表面単位の分布は、ボラティルの異なる表面組成を持つ緯度パターンを示す
論文 参考訳(メタデータ) (2023-01-15T07:15:52Z) - Analysis of Estimating the Bayes Rule for Gaussian Mixture Models with a
Specified Missing-Data Mechanism [0.0]
半教師付き学習(SSL)アプローチは、幅広い工学と科学の分野でうまく適用されている。
本稿では、未分類観測のための欠落機構を持つ生成モデルフレームワークについて検討する。
論文 参考訳(メタデータ) (2022-10-25T06:10:45Z) - Can Deep Learning Assist Automatic Identification of Layered Pigments
From XRF Data? [1.4132781808597012]
X線蛍光分光法(XRF)は、幅広い科学分野、特に文化遺産において、元素分析において重要な役割を担っている。
XRFに基づく顔料識別は、測定スペクトルの専門的解釈による時間的要素マッピングに依存している。
近年の研究では、類似したXRFスペクトルをクラスタリングし、最も可能性の高い顔料を識別するために機械学習技術を適用している。
我々は,顔料識別プロセスを完全に自動化する,ディープラーニングに基づくエンドツーエンド顔料識別フレームワークを開発した。
論文 参考訳(メタデータ) (2022-07-26T04:39:29Z) - Time-inhomogeneous diffusion geometry and topology [69.55228523791897]
拡散凝縮(英: Diffusion condensation)は、各ステップが最初に計算し、そのデータに拡散演算子を適用する時間不均質な過程である。
我々はこの過程の収束と進化を幾何学的、スペクトル的、位相的観点から理論的に分析する。
我々の研究は拡散凝縮の収束に関する理論的洞察を与え、トポロジカルデータ解析と幾何学的データ解析のリンクを提供することを示している。
論文 参考訳(メタデータ) (2022-03-28T16:06:17Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳(メタデータ) (2021-11-17T12:54:48Z) - Spatial machine-learning model diagnostics: a model-agnostic
distance-based approach [91.62936410696409]
本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。
統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。
この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
論文 参考訳(メタデータ) (2021-11-13T01:50:36Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳(メタデータ) (2021-06-20T08:20:56Z) - Frequency and Spatial domain based Saliency for Pigmented Skin Lesion
Segmentation [0.0]
そこで本研究では, 周波数領域と空間領域から得られた簡易かつ効果的な唾液濃度に基づく顔料皮膚病変の検出手法を提案する。
2つのカラーモデルがこれらの地図の構築に利用されている。
実験結果から,提案手法は最先端手法と比較して,より優れたセグメンテーション結果を生成することが示唆された。
論文 参考訳(メタデータ) (2020-10-08T14:38:42Z)
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。