論文の概要: Towards data-driven filters in Paraview

• arxiv url: http://arxiv.org/abs/2108.05196v2
• Date: Thu, 12 Aug 2021 08:10:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-13 11:25:08.049127
• Title: Towards data-driven filters in Paraview
• Title（参考訳）: Paraviewにおけるデータ駆動フィルタを目指して
• Authors: Drishti Maharjan and Peter Zaspel
• Abstract要約: 我々は、事前学習された機械学習モデルの能力を可視化システムに公開するフィルタを開発する。 フィルタは入力データをモデルに入力することで変換し、残りの視覚化パイプラインへの入力としてモデルの出力を提供する。 画像および流体データの分割と分類のための一連の簡易なユースケースについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent progress in scientific visualization has expanded the scope of visualization from being merely a way of presentation to an analysis and discovery tool. A given visualization result is usually generated by applying a series of transformations or filters to the underlying data. Nowadays, such filters use deterministic algorithms to process the data. In this work, we aim at extending this methodology towards data-driven filters, thus filters that expose the abilities of pre-trained machine learning models to the visualization system. The use of such data-driven filters is of particular interest in fields like segmentation, classification, etc., where machine learning models regularly outperform existing algorithmic approaches. To showcase this idea, we couple Paraview, the well-known flow visualization tool, with PyTorch, a deep learning framework. Paraview is extended by plugins that allow users to load pre-trained models of their choice in the form of newly developed filters. The filters transform the input data by feeding it into the model and then provide the model's output as input to the remaining visualization pipeline. A series of simplistic use cases for segmentation and classification on image and fluid data is presented to showcase the technical applicability of such data-driven transformations in Paraview for future complex analysis tasks.
• Abstract（参考訳）: 科学的可視化の最近の進歩は、可視化のスコープを単なるプレゼンテーションの方法から分析と発見のツールへと拡大した。 与えられた可視化結果は通常、基礎となるデータに一連の変換やフィルタを適用することで生成される。 今日では、そのようなフィルタは決定論的アルゴリズムを使ってデータを処理する。 本研究では,この手法をデータ駆動フィルタへ拡張し,事前学習した機械学習モデルの能力を可視化システムへ公開することを目的としている。 このようなデータ駆動フィルタの使用は、セグメンテーションや分類など、機械学習モデルが既存のアルゴリズムアプローチを定期的に上回る分野に特に関心がある。 このアイデアを紹介するために、よく知られたフロー視覚化ツールであるParaviewと、ディープラーニングフレームワークであるPyTorchを組んだ。 Paraviewはプラグインによって拡張されており、ユーザが選択したトレーニング済みモデルを新たに開発されたフィルタ形式でロードすることができる。 フィルタは入力データをモデルに入力することで変換し、残りの視覚化パイプラインへの入力としてモデルの出力を提供する。 画像および流体データに対する分割と分類のための一連の簡易なユースケースを示し、将来の複雑な解析タスクのためのParaviewにおけるこのようなデータ駆動変換の技術的適用性を示す。

関連論文リスト

• Diffusion Models as Data Mining Tools [87.77999285241219]
  本稿では、画像合成のために訓練された生成モデルを視覚データマイニングのツールとして利用する方法について述べる。 特定のデータセットから画像を合成するために条件拡散モデルを微調整した後、これらのモデルを用いて典型性尺度を定義することができることを示す。 この尺度は、地理的位置、タイムスタンプ、セマンティックラベル、さらには病気の存在など、異なるデータラベルに対する典型的な視覚的要素がどのように存在するかを評価する。
  論文  参考訳（メタデータ） (2024-07-20T17:14:31Z)
• Learning Optimal Filters Using Variational Inference [0.3749861135832072]
  本稿では,パラメータ化解析マップを学習するためのフレームワークを提案する。 この手法は線形および非線形力学系をフィルタリングするゲイン行列の学習に利用できることを示す。 今後、このフレームワークを新しいフィルタリングアルゴリズムの学習に適用する予定である。
  論文  参考訳（メタデータ） (2024-06-26T04:51:14Z)
• Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
  グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。 グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。 本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
  論文  参考訳（メタデータ） (2022-11-16T11:56:45Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• An Empirical Investigation of Model-to-Model Distribution Shifts in Trained Convolutional Filters [2.0305676256390934]
  本稿では,様々なコンピュータビジョンタスクに使用される画像データの分布変化について検討した結果について述べる。 元のトレーニングデータやテストデータを解析する代わりに、訓練されたモデルの学習重量の変化を研究することを提案する。
  論文  参考訳（メタデータ） (2022-01-20T21:48:12Z)
• VizAI : Selecting Accurate Visualizations of Numerical Data [2.6039035727217907]
  VizAIは、データの様々な統計特性を最初に生成する生成的識別フレームワークである。 これは、視覚化されるデータの真の統計に最もよく一致する視覚化を選択する識別モデルにリンクされている。 VizAIは、最小限の監督で容易に訓練でき、様々な監督レベルの設定に適応できる。
  論文  参考訳（メタデータ） (2021-11-07T22:05:44Z)
• Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
  協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。 本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。 ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
  論文  参考訳（メタデータ） (2021-06-14T14:30:32Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)
• Automatic Curation of Large-Scale Datasets for Audio-Visual Representation Learning [62.47593143542552]
  本稿では,自動データセットキュレーションのためのサブセット最適化手法について述べる。 本研究では,高視聴覚対応の映像を抽出し,自己監視モデルが自動的に構築されているにもかかわらず,既存のスケールのビデオデータセットと類似したダウンストリームパフォーマンスを達成できることを実証した。
  論文  参考訳（メタデータ） (2021-01-26T14:27:47Z)

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。