論文の概要: Tracing Halpha Fibrils through Bayesian Deep Learning

• arxiv url: http://arxiv.org/abs/2107.07886v1
• Date: Fri, 16 Jul 2021 13:14:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-19 14:29:47.924963
• Title: Tracing Halpha Fibrils through Bayesian Deep Learning
• Title（参考訳）: ベイズ深層学習によるHalpha Fibrilsの追跡
• Authors: Haodi Jiang, Ju Jing, Jiasheng Wang, Chang Liu, Qin Li, Yan Xu, Jason T. L. Wang, Haimin Wang
• Abstract要約: 太陽観測のHalpha画像に色圏フィブリルをトレースするための新しい深層学習手法FibrilNetを提案する。 FibrilNetは閾値ベースのツールよりも正確でスムーズなフィブリル配向角を見つける。
• 参考スコア（独自算出の注目度）: 7.7924775805828315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a new deep learning method, dubbed FibrilNet, for tracing chromospheric fibrils in Halpha images of solar observations. Our method consists of a data pre-processing component that prepares training data from a threshold-based tool, a deep learning model implemented as a Bayesian convolutional neural network for probabilistic image segmentation with uncertainty quantification to predict fibrils, and a post-processing component containing a fibril-fitting algorithm to determine fibril orientations. The FibrilNet tool is applied to high-resolution Halpha images from an active region (AR 12665) collected by the 1.6 m Goode Solar Telescope (GST) equipped with high-order adaptive optics at the Big Bear Solar Observatory (BBSO). We quantitatively assess the FibrilNet tool, comparing its image segmentation algorithm and fibril-fitting algorithm with those employed by the threshold-based tool. Our experimental results and major findings are summarized as follows. First, the image segmentation results (i.e., detected fibrils) of the two tools are quite similar, demonstrating the good learning capability of FibrilNet. Second, FibrilNet finds more accurate and smoother fibril orientation angles than the threshold-based tool. Third, FibrilNet is faster than the threshold-based tool and the uncertainty maps produced by FibrilNet not only provide a quantitative way to measure the confidence on each detected fibril, but also help identify fibril structures that are not detected by the threshold-based tool but are inferred through machine learning. Finally, we apply FibrilNet to full-disk Halpha images from other solar observatories and additional high-resolution Halpha images collected by BBSO/GST, demonstrating the tool's usability in diverse datasets.
• Abstract（参考訳）: 本稿では,太陽観測のhalpha画像中の色球フィブリルを追跡するための新しい深層学習法fibrilnetを提案する。 本手法は、しきい値ベースのツールからトレーニングデータを準備するデータ前処理コンポーネントと、不確実な定量化を伴う確率的画像セグメンテーションのためのベイズ畳み込みニューラルネットワークとして実装されたディープラーニングモデルと、フィブリル適合アルゴリズムを含む後処理コンポーネントで構成され、フィブリルの向きを決定する。 このフィブリルネットツールは、ビッグベア太陽天文台(bbso)で高次適応光学を備えた1.6mグッド太陽望遠鏡(gst)が収集した活性領域(ar 12665)からの高分解能halpha画像に適用される。 本研究では,フィブリルネットツールについて,画像分割アルゴリズムとフィブリルフィッティングアルゴリズムを比較し,定量的に評価する。 実験結果と主な知見は以下の通りである。 まず、2つのツールのイメージセグメンテーション結果(すなわち検出されたフィブリル)はよく似ており、FibrilNetの優れた学習能力を示している。 第二に、fibrilnetは閾値ベースのツールよりも正確で滑らかなフィブリル方位角を見つける。 第3に、fibrilnetは閾値ベースのツールよりも高速であり、fibrilnetによって生成された不確かさマップは、検出された各フィブリルの信頼性を測定する定量的な方法を提供するだけでなく、閾値ベースのツールによって検出されないが機械学習によって推測されるフィブリル構造を特定するのに役立つ。 最後に、他の太陽観測所のフルディスクHalpha画像とBBSO/GSTが収集した高解像度Halpha画像にFibrilNetを適用し、多様なデータセットでツールのユーザビリティを実証する。

関連論文リスト

• WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep Imaging Ultrasound [1.2903292694072621]
  ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。 本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。 このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
  論文  参考訳（メタデータ） (2023-11-17T20:32:37Z)
• Multi-mode fiber reservoir computing overcomes shallow neural networks classifiers [8.891157811906407]
  我々は、マルチモード光ファイバをランダムなハードウェアプロジェクタにリキャストし、入力データセットをスペックルイメージセットに変換する。 このハードウェアは、ファイバデータに基づいてトレーニングされた場合、損失景観の平坦な領域で動作し、これはディープニューラルネットワークの現在の理論と一致する。
  論文  参考訳（メタデータ） (2022-10-10T14:55:02Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Learning Neural Light Fields with Ray-Space Embedding Networks [51.88457861982689]
  我々は、コンパクトで、光線に沿った統合放射率を直接予測する新しいニューラル光場表現を提案する。 提案手法は,Stanford Light Field データセットのような,高密度の前方向きデータセットの最先端品質を実現する。
  論文  参考訳（メタデータ） (2021-12-02T18:59:51Z)
• Neural Architecture Search for Efficient Uncalibrated Deep Photometric Stereo [105.05232615226602]
  差別化可能なニューラルアーキテクチャサーチ(NAS)戦略を利用して、非校正型PSアーキテクチャを自動的に見つける。 DiLiGenTデータセットの実験では、自動検索されたニューラルネットワークのパフォーマンスが、最先端の未校正PSメソッドと好適に比較されている。
  論文  参考訳（メタデータ） (2021-10-11T21:22:17Z)
• 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)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• BAF-Detector: An Efficient CNN-Based Detector for Photovoltaic Cell Defect Detection [7.151552353494974]
  本稿では,マルチスケール機能融合を実現するため,注意に基づくトップダウン・ボトムアップアーキテクチャを開発した。 高速RCNN+FPNの領域提案ネットワーク(RPN)にBAFPNを組み込んだ新しい物体検出器BAF-Detectorが提案されている。 3629個の画像と2129個の欠陥を含む大規模ELデータセットの実験結果から,提案手法は98.70%(F測定),88.07%(mAP),73.29%(IoU)のマルチスケール欠陥分類を達成した。
  論文  参考訳（メタデータ） (2020-12-19T08:48:14Z)
• A Matlab Toolbox for Feature Importance Ranking [7.448155630418435]
  マットラブツールボックスが提示され、合計30のアルゴリズムが収集される。 各乳房腫瘤に対して15種類の特徴を抽出し, 分類に最適な特徴のサブセットを見出すため, 全ての特徴の組み合わせを検証した。 FIRの有効性を性能比較により分析する。
  論文  参考訳（メタデータ） (2020-03-10T20:35:10Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)
• Machine Learning Pipeline for Segmentation and Defect Identification from High Resolution Transmission Electron Microscopy Data [0.0]
  我々は高分解能電子顕微鏡データ解析のための柔軟な2ステップパイプラインを実証した。 トレーニングしたU-Netは、Dice係数0.8の非晶質背景からナノ粒子を分離することができる。 すると、ナノ粒子が86%の精度で可視積層断層を含むかどうかを分類できる。
  論文  参考訳（メタデータ） (2020-01-14T19:49:30Z)

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。