論文の概要: Finding simplicity: unsupervised discovery of features, patterns, and
order parameters via shift-invariant variational autoencoders
- arxiv url: http://arxiv.org/abs/2106.12472v1
- Date: Wed, 23 Jun 2021 15:39:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-24 19:00:37.115091
- Title: Finding simplicity: unsupervised discovery of features, patterns, and
order parameters via shift-invariant variational autoencoders
- Title（参考訳）: 単純さの発見:シフト不変変分オートエンコーダによる特徴・パターン・順序パラメータの教師なし発見
- Authors: Maxim Ziatdinov, Chun Yin Wong, and Sergei V. Kalinin
- Abstract要約: 画像の特徴的反復特徴を解消するシフト不変変分オートエンコーダ (shift-VAE) を開発した。
対象物の位置の不確実性と形状復元の不確実性とのバランスを, シフトVAEが示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in scanning tunneling and transmission electron microscopies
(STM and STEM) have allowed routine generation of large volumes of imaging data
containing information on the structure and functionality of materials. The
experimental data sets contain signatures of long-range phenomena such as
physical order parameter fields, polarization and strain gradients in STEM, or
standing electronic waves and carrier-mediated exchange interactions in STM,
all superimposed onto scanning system distortions and gradual changes of
contrast due to drift and/or mis-tilt effects. Correspondingly, while the human
eye can readily identify certain patterns in the images such as lattice
periodicities, repeating structural elements, or microstructures, their
automatic extraction and classification are highly non-trivial and universal
pathways to accomplish such analyses are absent. We pose that the most
distinctive elements of the patterns observed in STM and (S)TEM images are
similarity and (almost-) periodicity, behaviors stemming directly from the
parsimony of elementary atomic structures, superimposed on the gradual changes
reflective of order parameter distributions. However, the discovery of these
elements via global Fourier methods is non-trivial due to variability and lack
of ideal discrete translation symmetry. To address this problem, we develop
shift-invariant variational autoencoders (shift-VAE) that allow disentangling
characteristic repeating features in the images, their variations, and shifts
inevitable for random sampling of image space. Shift-VAEs balance the
uncertainty in the position of the object of interest with the uncertainty in
shape reconstruction. This approach is illustrated for model 1D data, and
further extended to synthetic and experimental STM and STEM 2D data.
- Abstract（参考訳）: 走査トンネル法と透過電子顕微鏡(STM, STEM)の最近の進歩により, 材料の構造や機能に関する情報を含む大量のイメージングデータが日常的に生成されるようになった。
実験データセットは、STEMにおける物理秩序パラメータ場、偏光およびひずみ勾配、STMにおける定常電子波およびキャリア媒介交換相互作用などの長距離現象のシグネチャを含む。
それに応じて、人間の目は格子周期、繰り返し構造要素、微細構造などの画像の特定のパターンを容易に識別することができるが、それらの自動抽出と分類は非常に非自明で、そのような分析を達成するための普遍的な経路が欠如している。
STMおよび(S)TEM画像で観察されるパターンの最も特徴的な要素は、(ほぼ)周期性であり、基本原子構造のパーシモニーから直接発生する挙動であり、秩序パラメータ分布を反映する段階的変化に重畳されている。
しかしながら、大域的フーリエ法によるこれらの要素の発見は、可変性と理想的離散的翻訳対称性の欠如により非自明である。
この問題に対処するため,画像空間をランダムにサンプリングするためには,画像の特徴的反復的特徴を解消するシフト不変変分オートエンコーダ(shift-VAE)を開発した。
シフト-VAEは、対象物の位置の不確実性と形状再構成の不確実性とのバランスをとる。
このアプローチはモデル1Dデータに対して説明され、さらに合成および実験的なSTMおよびSTEM2Dデータに拡張される。
関連論文リスト
- EqNIO: Subequivariant Neural Inertial Odometry [33.96552018734359]
重力ベクトルの周りで回転すると、IMUデータは等変的に変形し、重力に平行な任意の平面に対して反射することを示す。
そして、IMUデータをこのフレームにマッピングし、既製の慣性オドメトリーネットワークで直接使用できる不変な正準化を実現する。
論文 参考訳（メタデータ） (2024-08-12T17:42:46Z) - 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) - Learning and Controlling Silicon Dopant Transitions in Graphene using
Scanning Transmission Electron Microscopy [58.51812955462815]
単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。
データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。
これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
論文 参考訳（メタデータ） (2023-11-21T21:51:00Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic
Correlation Diffusion Model [46.68717345017946]
ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。
意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。
提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
論文 参考訳（メタデータ） (2023-05-21T09:21:41Z) - Exploring Invariant Representation for Visible-Infrared Person
Re-Identification [77.06940947765406]
異なるスペクトルを横断する歩行者にアイデンティティを関連付けることを目的とした、クロススペクトルの人物再識別は、モダリティの相違の主な課題に直面している。
本稿では、ロバスト機能マイニングネットワーク(RFM)と呼ばれるエンドツーエンドのハイブリッド学習フレームワークにおいて、画像レベルと特徴レベルの両方の問題に対処する。
RegDBとSYSU-MM01という2つの標準的なクロススペクトル人物識別データセットの実験結果により,最先端の性能が示された。
論文 参考訳（メタデータ） (2023-02-02T05:24:50Z) - Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。
対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。
この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文 参考訳（メタデータ） (2023-02-02T00:13:32Z) - Change Detection in Heterogeneous Optical and SAR Remote Sensing Images
via Deep Homogeneous Feature Fusion [20.152363214309446]
本稿では、画像スタイル変換(IST)に基づくDHFF(Deep homogeneous Feature fusion)と呼ばれる新しい同種変換モデルを提案する。
既存の手法とは異なり、DHFF法は異種画像のセマンティック内容とスタイル特徴を分離し、同種変換を行う。
実験により、異種光およびSARリモートセンシング画像における変化検出において、DHFF法が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） (2020-04-08T06:27:37Z) - Inverse Learning of Symmetries [71.62109774068064]
2つの潜在部分空間からなるモデルで対称性変換を学ぶ。
我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。
我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-02-07T13:48:52Z)
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。