論文の概要: Robust Feature Disentanglement in Imaging Data via Joint Invariant
Variational Autoencoders: from Cards to Atoms
- arxiv url: http://arxiv.org/abs/2104.10180v1
- Date: Tue, 20 Apr 2021 18:01:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-22 14:15:31.735876
- Title: Robust Feature Disentanglement in Imaging Data via Joint Invariant
Variational Autoencoders: from Cards to Atoms
- Title(参考訳): ジョイント不変変分オートエンコーダによる画像データのロバストな特徴偏角:カードから原子へ
- Authors: Maxim Ziatdinov, Sergei Kalinin
- Abstract要約: 関節回転(および翻訳)不変変分オートエンコーダ(j-trVAE)を導入する。
この方法の性能は、いくつかの合成データセットで検証され、電子および走査プローブ顕微鏡の高分解能イメージングデータに拡張されます。
強誘電体材料と量子系の既知の物理学に直接関連する潜在空間の挙動を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in imaging from celestial objects in astronomy visualized via
optical and radio telescopes to atoms and molecules resolved via electron and
probe microscopes are generating immense volumes of imaging data, containing
information about the structure of the universe from atomic to astronomic
levels. The classical deep convolutional neural network architectures
traditionally perform poorly on the data sets having a significant
orientational disorder, that is, having multiple copies of the same or similar
object in arbitrary orientation in the image plane. Similarly, while clustering
methods are well suited for classification into discrete classes and manifold
learning and variational autoencoders methods can disentangle representations
of the data, the combined problem is ill-suited to a classical non-supervised
learning paradigm. Here we introduce a joint rotationally (and translationally)
invariant variational autoencoder (j-trVAE) that is ideally suited to the
solution of such a problem. The performance of this method is validated on
several synthetic data sets and extended to high-resolution imaging data of
electron and scanning probe microscopy. We show that latent space behaviors
directly comport to the known physics of ferroelectric materials and quantum
systems. We further note that the engineering of the latent space structure via
imposed topological structure or directed graph relationship allows for
applications in topological discovery and causal physical learning.
- Abstract(参考訳): 光と電波望遠鏡で見える天体から電子とプローブ顕微鏡で解決された原子や分子への画像化の最近の進歩は、原子から天体レベルまでの宇宙の構造に関する情報を含む膨大な画像データを生み出している。
古典的な深層畳み込みニューラルネットワークアーキテクチャは、伝統的に重要な向き付け障害を持つデータセット、すなわち画像平面の任意の方向において同一または類似のオブジェクトのコピーを複数持つ場合において、パフォーマンスが劣る。
同様に、クラスタリング法は離散クラスに分類するのに適しており、多様体学習と変分オートエンコーダ法はデータの表現をアンタングル化することができるが、結合問題は古典的な非教師あり学習パラダイムに不適である。
本稿では,そのような問題の解法に理想的に適している共振型不変変分オートエンコーダ(j-trvae)を導入する。
本手法の性能をいくつかの合成データセットで検証し,電子顕微鏡および走査型プローブ顕微鏡の高分解能イメージングデータに拡張した。
強誘電体や量子系の既知の物理に直結する潜在空間の挙動を示す。
さらに, 付帯トポロジカルな構造や有向グラフ関係による潜在空間構造の工学は, トポロジカルな発見や因果的物理学習に応用できることを示す。
関連論文リスト
- Invariant Discovery of Features Across Multiple Length Scales: Applications in Microscopy and Autonomous Materials Characterization [3.386918190302773]
可変オートエンコーダ(VAE)は、画像データの変動の基本的な要因を特定する強力なツールとして登場した。
異なる長さスケールでサンプル化した記述子を用いて,VAEの漸進的トレーニングに基づいて,SI-VAEアプローチを導入する。
論文 参考訳(メタデータ) (2024-08-01T01:48:46Z) - Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
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) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - PyNanospacing: TEM image processing tool for strain analysis and
visualization [0.0]
本稿では,幅広い材料を扱えるTEM画像処理のためのPythonコードを開発する。
平面間隔の局所的な差異を輪郭写像に変換し、格子拡大と圧縮の視覚的表現を可能にする。
ツールは非常に汎用的で、TEM画像を用いて材料特性を分析するのに大いに役立ちます。
論文 参考訳(メタデータ) (2023-11-27T12:08:46Z) - Physics and Chemistry from Parsimonious Representations: Image Analysis
via Invariant Variational Autoencoders [0.0]
変分オートエンコーダ(VAE)は教師なしデータ解析の強力なパラダイムとして登場している。
この記事では、VAEの背景にある基本的な原則と直観を概説する。
論文 参考訳(メタデータ) (2023-03-30T03:16:27Z) - Combining Variational Autoencoders and Physical Bias for Improved
Microscopy Data Analysis [0.0]
本稿では,データ内の変数の因子を分散させる物理拡張機械学習手法を提案する。
本手法はNiO-LSMO, BiFeO3, グラフェンなど様々な材料に適用される。
その結果,大量の画像データから有意な情報を抽出する手法の有効性が示された。
論文 参考訳(メタデータ) (2023-02-08T17:35:38Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳(メタデータ) (2022-11-01T18:07:21Z) - Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [45.29194877564103]
本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。
このようなネットワークの近似力を議論し、周囲空間の次元ではなく、本質的にデータ多様体の内在次元に依存する境界を導出する。
論文 参考訳(メタデータ) (2022-08-22T19:58:03Z) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳(メタデータ) (2021-10-26T14:14:40Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。
そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。
画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文 参考訳(メタデータ) (2020-02-18T17:58:07Z)
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。