論文の概要: Hierarchical Temperature Imaging Using Pseudo-Inversed Convolutional
Neural Network Aided TDLAS Tomography
- arxiv url: http://arxiv.org/abs/2106.02901v1
- Date: Sat, 5 Jun 2021 14:14:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:25:18.169459
- Title: Hierarchical Temperature Imaging Using Pseudo-Inversed Convolutional
Neural Network Aided TDLAS Tomography
- Title(参考訳): pseudo-inversed convolutional neural network assisted tdlas tomography による階層的温度イメージング
- Authors: Jingjing Si, Guoliang Li, Yinbo Cheng, Rui Zhang, Godwin Enemali,
Chang Liu
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、画像再構成においてより堅牢で正確であることが証明されている。
階層型温度イメージングのためのPseudo-Inversed CNN(PI-CNN)を提案する。
- 参考スコア(独自算出の注目度): 16.39189394591311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an in situ combustion diagnostic tool, Tunable Diode Laser Absorption
Spectroscopy (TDLAS) tomography has been widely used for imaging of
two-dimensional temperature distributions in reactive flows. Compared with the
computational tomographic algorithms, Convolutional Neural Networks (CNNs) have
been proofed to be more robust and accurate for image reconstruction,
particularly in case of limited access of laser beams in the Region of Interest
(RoI). In practice, flame in the RoI that requires to be reconstructed with
good spatial resolution is commonly surrounded by low-temperature background.
Although the background is not of high interest, spectroscopic absorption still
exists due to heat dissipation and gas convection. Therefore, we propose a
Pseudo-Inversed CNN (PI-CNN) for hierarchical temperature imaging that (a) uses
efficiently the training and learning resources for temperature imaging in the
RoI with good spatial resolution, and (b) reconstructs the less spatially
resolved background temperature by adequately addressing the integrity of the
spectroscopic absorption model. In comparison with the traditional CNN, the
newly introduced pseudo inversion of the RoI sensitivity matrix is more
penetrating for revealing the inherent correlation between the projection data
and the RoI to be reconstructed, thus prioritising the temperature imaging in
the RoI with high accuracy and high computational efficiency. In this paper,
the proposed algorithm was validated by both numerical simulation and lab-scale
experiment, indicating good agreement between the phantoms and the
high-fidelity reconstructions.
- Abstract(参考訳): In situ燃焼診断ツールとして、TDLAS(Tunable Diode Laser absorption Spectroscopy)トモグラフィーが反応流中の2次元温度分布のイメージングに広く用いられている。
計算トモグラフィーアルゴリズムと比較すると、特に関心領域(RoI)におけるレーザービームの限られたアクセスの場合、畳み込みニューラルネットワーク(CNN)は画像再構成においてより堅牢で正確であることが証明されている。
実際には、空間分解能良く再現する必要があるRoIの火炎は、一般的に低温背景で囲まれている。
背景は注目されていないが、熱散逸とガス対流による分光吸収は今も残っている。
そこで本研究では, (a) 空間分解能の良いRoIにおける温度画像の学習資源を効率的に利用し, (b) 分光吸収モデルの整合性を適切に解決し, 背景温度を小さく再構成した,階層型温度画像用擬似逆CNN(PI-CNN)を提案する。
従来のCNNと比較して、新たに導入されたRoI感度行列の擬似反転は、投影データと再構成するRoIとの固有の相関を明らかにするためにより浸透し、RoIにおける温度イメージングを高精度かつ高い計算効率で優先する。
本稿では,提案手法を数値シミュレーションとラボスケール実験の両方で検証し,ファントムと高忠実度復元との一致性を示した。
関連論文リスト
- Spatial super-resolution in nanosensing with blinking emitters [79.16635054977068]
本稿では, 点滅型蛍光ナノセンサを用いたメロロジーにおける空間分解能向上手法を提案する。
我々は, 生活科学分野において, 画像解析技術に補完される点滅蛍光センシング剤を日常的に活用できると考えている。
論文 参考訳(メタデータ) (2024-02-27T10:38:05Z) - Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳(メタデータ) (2023-12-19T22:40:51Z) - Learning Structure-Guided Diffusion Model for 2D Human Pose Estimation [71.24808323646167]
ニューラルネットワークを用いてキーポイントのヒートマップを学習するための新しいスキームである textbfDiffusionPose を提案する。
トレーニング中、キーポイントはノイズを加えることでランダム分布に拡散され、拡散モデルはノイズ付きヒートマップから地中構造熱マップを復元する。
実験では、広く使用されているCOCO、CrowdPose、AI Challengeデータセット上で1.6、1.2、1.2mAPの改善による、私たちのスキームの長所が示されている。
論文 参考訳(メタデータ) (2023-06-29T16:24:32Z) - SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for
Accelerated MRI [17.56962674277573]
反復型自己整合並列イメージング(SPIRiT)にインスパイアされた自己整合性駆動拡散モデルを提案する。
提案したSPIRiT-Diffusion法は3次元頭蓋内および頸動脈壁画像データセットを用いて評価した。
論文 参考訳(メタデータ) (2023-04-11T08:43:52Z) - Machine Learning and Thermography Applied to the Detection and
Classification of Cracks in Building [0.0]
この研究プロジェクトは、赤外線サーモグラフィと機械学習(ML)を組み合わせることで、ステークホルダーが既存の建物を再利用する可能性を決定することを目的としている。
この研究プロジェクトの特定のフェーズでは、コンボリューショナルニューラルネットワーク(DCNN)のイメージ分類機械学習モデルを使用して、1つの建物で3つのレベルの亀裂を区別しました。
論文 参考訳(メタデータ) (2022-12-30T14:16:24Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳(メタデータ) (2022-06-17T08:11:26Z) - Convolutional Neural Network to Restore Low-Dose Digital Breast
Tomosynthesis Projections in a Variance Stabilization Domain [15.149874383250236]
畳み込みニューラルネットワーク(CNN)は、低線量(LD)投影を標準的なフル線量(FD)取得と同等の画質に復元するために提案されている。
平均二乗誤差(MNSE)、正規化訓練時間、ノイズ空間相関の点で従来のデータ駆動方式と比較して、ネットワークは優れた結果を得た。
論文 参考訳(メタデータ) (2022-03-22T13:31:47Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳(メタデータ) (2022-03-10T14:22:54Z) - Thermal Image Super-Resolution Using Second-Order Channel Attention with
Varying Receptive Fields [4.991042925292453]
熱画像の効率よく再構成するシステムを提案する。
熱画像の復元は、安全、捜索、救助、軍事活動を含む用途に不可欠である。
論文 参考訳(メタデータ) (2021-07-30T22:17:51Z) - Photothermal-SR-Net: A Customized Deep Unfolding Neural Network for
Photothermal Super Resolution Imaging [9.160910754837756]
本論文では, 基礎物理を考慮した深部展開によるデコンボリューションを行う光熱SR-Netを提案する。
光熱SR-Netは、各畳み込み層の得られた熱画像に訓練されたブロック分散しきい値を適用します。
論文 参考訳(メタデータ) (2021-04-21T14:41:04Z) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-03-15T23:07:56Z)
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。