論文の概要: Classifying Organisms and Artefacts By Their Shapes

• arxiv url: http://arxiv.org/abs/2109.00920v1
• Date: Fri, 27 Aug 2021 15:44:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-05 08:55:01.147023
• Title: Classifying Organisms and Artefacts By Their Shapes
• Title（参考訳）: 形状による生物・人工物の分類
• Authors: Arianna Salili-James, Anne Mackay, Emilio Rodriguez-Alvarez, Diana Rodriguez-Perez, Thomas Mannack, Timothy A. Rawlings, A. Richard Palmer, Jonathan Todd, Terhi E. Riutta, Cate Macinnis-Ng, Zhitong Han, Megan Davies, Zinnia Thorpe, Stephen Marsland, and Armand M. Leroi
• Abstract要約: 形状の研究は多くの科学分野において重要な部分である。 1つの方法、Square-Root Velocity Function (SRVF)は、他のすべての方法よりも優れている。 SRVFの最短経路は、進化系列における中間段階の形状を推定するために用いられる。
• 参考スコア（独自算出の注目度）: 0.1878220088644668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We often wish to classify objects by their shapes. Indeed, the study of shapes is an important part of many scientific fields such as evolutionary biology, structural biology, image processing, and archaeology. The most widely-used method of shape analysis, Geometric Morphometrics, assumes that that the mathematical space in which shapes are represented is linear. However, it has long been known that shape space is, in fact, rather more complicated, and certainly non-linear. Diffeomorphic methods that take this non-linearity into account, and so give more accurate estimates of the distances among shapes, exist but have rarely been applied to real-world problems. Using a machine classifier, we tested the ability of several of these methods to describe and classify the shapes of a variety of organic and man-made objects. We find that one method, the Square-Root Velocity Function (SRVF), is superior to all others, including a standard Geometric Morphometric method (eigenshapes). We also show that computational shape classifiers outperform human experts, and that the SRVF shortest-path between shapes can be used to estimate the shapes of intermediate steps in evolutionary series. Diffeomorphic shape analysis methods, we conclude, now provide practical and effective solutions to many shape description and classification problems in the natural and human sciences.
• Abstract（参考訳）: 私たちはしばしば、オブジェクトを形によって分類したいと考えています。 実際、形状の研究は進化生物学、構造生物学、画像処理、考古学など多くの科学分野の重要な部分である。 最も広く使われている形状解析法である幾何形態計測は、形状が表現される数学的空間が線型であることを仮定する。 しかし、形状空間が実際はもっと複雑で、確実に非線形であることは、長い間知られていた。 この非線型性を考慮に入れ、形間の距離をより正確に推定する微分同型法は存在するが、実世界の問題にはほとんど適用されていない。 機械分類器を用いて, 様々な有機物や人工物の形状を記述・分類する手法について検討した。 その結果,正方形速度関数 (SRVF) は標準的な幾何形状法 (eigenshapes) など,他の手法よりも優れていることがわかった。 また、計算形状分類器は人間の専門家より優れており、SRVF間の最短経路は進化系列の中間ステップの形状を推定するためにも利用できることを示した。 本研究は, 自然科学と人間科学における多くの形状記述・分類問題に対する, 実用的で効果的な解法を提供するものである。

関連論文リスト

• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• Explorable Mesh Deformation Subspaces from Unstructured Generative Models [53.23510438769862]
  3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。 本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T18:53:57Z)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers [8.781861951759948]
  本稿では,画像分類の性能向上のために,変形空間における変形可能な形状を学習する最初のディープラーニングモデルGeo-SICを提案する。 画像空間と潜時形状空間の両方から特徴を同時に導出する,クラス内変動の大きい新設計のフレームワークを提案する。 幾何学的形状表現の教師なし学習を取り入れた強化型分類網を開発した。
  論文  参考訳（メタデータ） (2022-10-25T01:55:17Z)
• CaDeX: Learning Canonical Deformation Coordinate Space for Dynamic Surface Representation via Neural Homeomorphism [46.234728261236015]
  形状と非剛性の両方の統一的な表現であるCaDeX(Caonical deformation Coordinate Space)を導入する。 我々の新しい変形表現とその実装は単純で効率的であり、サイクルの整合性を保証する。 幅広い変形可能なオブジェクトをモデル化する際の最先端性能を実証する。
  論文  参考訳（メタデータ） (2022-03-30T17:59:23Z)
• Spectral Unions of Partial Deformable 3D Shapes [31.93707121229739]
  まず, 与えられた部分形状間の密接な対応を第一に解くことなく, 非剛性変形形状の合成を計算する最初の方法を提案する。 我々のアプローチはデータ駆動であり、表面の等尺および非等尺変形に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T14:19:18Z)
• Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
  適度な高次元と大きなデータセットに適した多様体学習技術。 この手法は、二次超曲面の交点という形で訓練データから学習される。 テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
  論文  参考訳（メタデータ） (2021-02-11T18:52:08Z)
• ShapeFlow: Learnable Deformations Among 3D Shapes [28.854946339507123]
  本研究では,3次元形状のクラス全体の変形空間を学習するためのフローベースモデルを提案する。 ShapeFlowは、形状トポロジーに非依存なマルチテンプレートの変形空間を学習できるが、微妙な幾何学的詳細を保存できる。
  論文  参考訳（メタデータ） (2020-06-14T19:03:35Z)

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。