論文の概要: Time Varying Particle Data Feature Extraction and Tracking with Neural Networks

• arxiv url: http://arxiv.org/abs/2105.13240v1
• Date: Thu, 27 May 2021 15:38:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 15:58:13.199695
• Title: Time Varying Particle Data Feature Extraction and Tracking with Neural Networks
• Title（参考訳）: ニューラルネットワークによる時間可変粒子データの特徴抽出と追跡
• Authors: Haoyu Li and Han-Wei Shen
• Abstract要約: 我々は, 特徴抽出と追跡を支援するために, 科学的粒子データのための特徴表現を作成するために, 深層学習アプローチを採用する。 本研究では,局所近傍における空間的位置と物理的属性の関係を表現するために,潜在ベクトルを生成する深層学習モデルを用いる。 高速な特徴追跡を実現するために,特徴空間に平均シフト追跡アルゴリズムを適用した。
• 参考スコア（独自算出の注目度）: 20.825102707056647
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Analyzing particle data plays an important role in many scientific applications such as fluid simulation, cosmology simulation and molecular dynamics. While there exist methods that can perform feature extraction and tracking for volumetric data, performing those tasks for particle data is more challenging because of the lack of explicit connectivity information. Although one may convert the particle data to volume first, this approach is at risk of incurring error and increasing the size of the data. In this paper, we take a deep learning approach to create feature representations for scientific particle data to assist feature extraction and tracking. We employ a deep learning model, which produces latent vectors to represent the relation between spatial locations and physical attributes in a local neighborhood. With the latent vectors, features can be extracted by clustering these vectors. To achieve fast feature tracking, the mean-shift tracking algorithm is applied in the feature space, which only requires inference of the latent vector for selected regions of interest. We validate our approach using two datasets and compare our method with other existing methods.
• Abstract（参考訳）: 粒子データの解析は、流体シミュレーション、宇宙論シミュレーション、分子動力学など多くの科学応用において重要な役割を果たす。 ボリュームデータの特徴抽出と追跡が可能な方法はあるが、明示的な接続情報の欠如により、パーティクルデータに対するそれらのタスクの実行はより困難である。 粒子データを最初にボリュームに変換することができるが、このアプローチはエラーが発生し、データのサイズが大きくなるリスクがある。 本稿では,科学的な粒子データのための特徴表現を深層学習で作成し,特徴抽出と追跡を支援する。 我々は,地域近傍における空間的位置と物理的属性の関係を表現するために,潜在ベクトルを生成するディープラーニングモデルを用いる。 潜在ベクトルでは、これらのベクトルをクラスタリングすることで特徴を抽出することができる。 高速な特徴追跡を実現するために、平均シフト追跡アルゴリズムが特徴空間に適用される。 2つのデータセットを用いてアプローチを検証するとともに,既存の手法と比較する。

関連論文リスト

• Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets [40.19690479537335]
  DA-GNNは,データセット間のタスクにおいて高い精度とロバスト性を実現する。 このことは、DA-GNNがドメインに依存しない宇宙情報を抽出するための有望な方法であることを示している。
  論文  参考訳（メタデータ） (2023-11-02T20:40:21Z)
• Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
  我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。 本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
  論文  参考訳（メタデータ） (2023-06-01T17:36:13Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• 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)
• Exploratory Lagrangian-Based Particle Tracing Using Deep Learning [4.486141167325432]
  本稿では,ラグランジアンフローマップで表される時間変化ベクトル場を探索するディープニューラルネットワークを用いた粒子追跡手法を提案する。 我々のワークフローでは、まずIn situ処理を使用してラグランジュ流図を抽出し、深層ニューラルネットワークは抽出したデータを用いて流れ場の振る舞いを学習する。 精度を保ちながら、時間変化ベクトル場のラグランジュ表現を符号化するには、固定メモリフットプリントが10.5MB必要である。
  論文  参考訳（メタデータ） (2021-10-15T19:54:32Z)
• Dominant motion identification of multi-particle system using deep learning from video [0.0]
  本研究では,高度システムの実世界映像から関連情報を抽出するディープラーニングフレームワークを提案する。 本手法は,アリ,シロアリ,魚の閉じ込められた多エージェント/粒子系のビデオで実証する。 さらに,これらの多様なシステムがどのようにして基礎となる振る舞いを予測できるかを考察する。
  論文  参考訳（メタデータ） (2021-04-26T17:10:56Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• PREPRINT: Comparison of deep learning and hand crafted features for mining simulation data [7.214140640112874]
  本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。 このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。 16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
  論文  参考訳（メタデータ） (2021-03-11T09:28:00Z)
• A Short Review on Data Modelling for Vector Fields [5.51641435875237]
  機械学習手法は、幅広いデータ分析と分析タスクを扱うことに成功している。 近年、ディープニューラルネットワークを用いたエンドツーエンドモデリングスキームの成功により、より高度で構造化された実用的なデータへの拡張が可能になった。 本稿では,ベクトルデータ表現,空間データの予測モデル,コンピュータビジョン,信号処理,経験科学など,最近のベクトル場の計算ツールについて述べる。
  論文  参考訳（メタデータ） (2020-09-01T17:07:29Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。