論文の概要: Shape Modeling with Spline Partitions

• arxiv url: http://arxiv.org/abs/2108.02507v1
• Date: Thu, 5 Aug 2021 10:33:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 20:06:15.168166
• Title: Shape Modeling with Spline Partitions
• Title（参考訳）: スプライン分割による形状モデリング
• Authors: Shufei Ge, Shijia Wang, Lloyd Elliott
• Abstract要約: 本稿では,曲線で領域を分割する並列化ベイズ非パラメトリック手法を提案する。 我々はHIV-1感染したヒトマクロファージ画像データセットに本手法を適用し、また、我々のアプローチを説明するためのデータセットのシミュレーションを行った。
• 参考スコア（独自算出の注目度）: 3.222802562733787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shape modelling (with methods that output shapes) is a new and important task in Bayesian nonparametrics and bioinformatics. In this work, we focus on Bayesian nonparametric methods for capturing shapes by partitioning a space using curves. In related work, the classical Mondrian process is used to partition spaces recursively with axis-aligned cuts, and is widely applied in multi-dimensional and relational data. The Mondrian process outputs hyper-rectangles. Recently, the random tessellation process was introduced as a generalization of the Mondrian process, partitioning a domain with non-axis aligned cuts in an arbitrary dimensional space, and outputting polytopes. Motivated by these processes, in this work, we propose a novel parallelized Bayesian nonparametric approach to partition a domain with curves, enabling complex data-shapes to be acquired. We apply our method to HIV-1-infected human macrophage image dataset, and also simulated datasets sets to illustrate our approach. We compare to support vector machines, random forests and state-of-the-art computer vision methods such as simple linear iterative clustering super pixel image segmentation. We develop an R package that is available at \url{https://github.com/ShufeiGe/Shape-Modeling-with-Spline-Partitions}.
• Abstract（参考訳）: 形状モデリング(形状を出力する手法)は、ベイズ非パラメトリックスやバイオインフォマティクスにおける新しい重要な課題である。 本研究では,曲線を用いて空間を分割して形状を捉えるベイズ非パラメトリック法に着目した。 関連する研究において、古典的なモンドリアン過程は、空間を軸に整列した切断で再帰的に分割するために使われ、多次元および関係データに広く適用される。 モンドリアン過程は超矩形を出力する。 近年、ランダムなテッセル化過程がモンドリアン過程の一般化として導入され、任意の次元空間で非軸整列切断された領域を分割し、ポリトープを出力した。 本稿では,これらのプロセスに動機づけられ,曲線を持つ領域を分割する並列化ベイズ型非パラメトリック手法を提案する。 本手法をhiv-1感染ヒトマクロファージ画像データセットに適用し,本手法をシミュレートした。 サポートベクターマシン,ランダムフォレスト,および単純な線形反復クラスタリングスーパーピクセル画像セグメンテーションのような最先端のコンピュータビジョン手法と比較する。 我々は, \url{https://github.com/ShufeiGe/Shape-Modeling-with-Spline-Partitions} で利用可能な R パッケージを開発した。

関連論文リスト

• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• Curvy: A Parametric Cross-section based Surface Reconstruction [2.1165011830664677]
  本稿では, 平面スパース断面を用いた新しい形状点雲の再構成手法を提案する。 我々は、適応分割を用いたコンパクトなパラメトリックポリライン表現を用いて断面を表現し、グラフニューラルネットワークを用いて学習を行い、基礎となる形状を再構築する。
  論文  参考訳（メタデータ） (2024-09-01T20:15:08Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
  ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。 本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
  論文  参考訳（メタデータ） (2022-10-05T16:52:25Z)
• SwISS: A Scalable Markov chain Monte Carlo Divide-and-Conquer Strategy [1.6114012813668934]
  モンテカルロアルゴリズムのディバイド・アンド・コンカー戦略は、ベイジアン推論を大規模データセットにスケーラブルにするアプローチとして、ますます人気が高まっている。 SwISS: Inflation, Scaling, Shiftingを備えたサブポインター, サブポインターのサンプルを再結合するための新しいアプローチを提案する。 我々の変換はアフィン変換の自然な集合において最適であることが証明され、合成および実世界のデータセット上での競合アルゴリズムに対するSwISSの有効性が示される。
  論文  参考訳（メタデータ） (2022-08-08T12:02:18Z)
• Probabilistic Registration for Gaussian Process 3D shape modelling in the presence of extensive missing data [63.8376359764052]
  本稿では,ガウス過程の定式化に基づく形状適合/登録手法を提案する。 様々な変換を持つ2次元の小さなデータセットと耳の3次元データセットの両方で実験が行われる。
  論文  参考訳（メタデータ） (2022-03-26T16:48:27Z)
• Aligning Hyperbolic Representations: an Optimal Transport-based approach [0.0]
  この研究は、双曲空間のポアンカーモデルへの埋め込みのOTに基づく新しいアプローチを提案する。 この形式主義の結果として、我々はいくつかの既存の OT ベースの領域適応のユークリッド法への拡張を、その双曲的対応に導出する。
  論文  参考訳（メタデータ） (2020-12-02T11:22:19Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Stochastic geometry to generalize the Mondrian Process [0.0]
  離散分布から引き出されたカット方向のSTITプロセスは,高次元軸方向のモンドリアン過程に昇降することにより効率的にシミュレーションできることを示す。 また、静止STITプロセスとそれらの混合物が近似できる全ての可能なカーネルを特徴付ける。 これにより、密度推定において、モンドリアンの森、モンドリアンのカーネル、ラプラスのカーネルの正確な比較が可能になる。
  論文  参考訳（メタデータ） (2020-02-03T14:47:26Z)

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。