論文の概要: Segmentation of turbulent computational fluid dynamics simulations with unsupervised ensemble learning

• arxiv url: http://arxiv.org/abs/2109.01381v1
• Date: Fri, 3 Sep 2021 08:52:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-06 19:54:39.528992
• Title: Segmentation of turbulent computational fluid dynamics simulations with unsupervised ensemble learning
• Title（参考訳）: 教師なしアンサンブル学習による乱流流体力学シミュレーションのセグメント化
• Authors: Maarja Bussov and Joonas N\"attil\"a
• Abstract要約: コンピュータビジョンと機械学習ツールは、複雑なコンピュータシミュレーションから情報を自動的に分析し分類するエキサイティングな新しい方法を提供する。 そこで我々は,シミュレーションデータの出力内容を独立して,頑健に分類し,分解できるアンサンブル機械学習フレームワークを設計する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer vision and machine learning tools offer an exciting new way for automatically analyzing and categorizing information from complex computer simulations. Here we design an ensemble machine learning framework that can independently and robustly categorize and dissect simulation data output contents of turbulent flow patterns into distinct structure catalogues. The segmentation is performed using an unsupervised clustering algorithm, which segments physical structures by grouping together similar pixels in simulation images. The accuracy and robustness of the resulting segment region boundaries are enhanced by combining information from multiple simultaneously-evaluated clustering operations. The stacking of object segmentation evaluations is performed using image mask combination operations. This statistically-combined ensemble (SCE) of different cluster masks allows us to construct cluster reliability metrics for each pixel and for the associated segments without any prior user input. By comparing the similarity of different cluster occurrences in the ensemble, we can also assess the optimal number of clusters needed to describe the data. Furthermore, by relying on ensemble-averaged spatial segment region boundaries, the SCE method enables reconstruction of more accurate and robust region of interest (ROI) boundaries for the different image data clusters. We apply the SCE algorithm to 2-dimensional simulation data snapshots of magnetically-dominated fully-kinetic turbulent plasma flows where accurate ROI boundaries are needed for geometrical measurements of intermittent flow structures known as current sheets.
• Abstract（参考訳）: コンピュータビジョンと機械学習ツールは、複雑なコンピュータシミュレーションから情報を自動的に分析し分類するエキサイティングな新しい方法を提供する。 そこで我々は,乱流パターンのシミュレーションデータ出力内容を独立に,かつ頑健に分類し,異なる構造カタログに分解できるアンサンブル機械学習フレームワークを設計する。 このセグメンテーションは、シミュレーション画像中の類似画素をグループ化して物理構造をセグメンテーションする教師なしクラスタリングアルゴリズムを用いて行われる。 複数のクラスタリング操作からの情報を組み合わせることにより、結果として生じるセグメント領域境界の精度とロバスト性が向上する。 オブジェクトセグメンテーション評価の積み重ねは、画像マスクの組み合わせ操作を用いて行われる。 異なるクラスタマスクの統計的組み合わせによるアンサンブル(SCE)により、各ピクセルと関連するセグメントに対して、事前のユーザ入力なしでクラスタ信頼性メトリクスを構築することができる。 アンサンブルにおける異なるクラスタ発生の類似性を比較することで、データを記述するのに必要なクラスタの最適な数を評価できる。 さらに、SCE法は、アンサンブル平均空間セグメント領域の境界を頼りにすることにより、異なる画像データクラスタに対するより正確でロバストな関心領域境界(ROI)の再構築を可能にする。 sce法を2次元シミュレーションデータスナップショットに適用し,電流シートと呼ばれる間欠流構造の幾何学的測定に正確なroi境界が必要となる,磁気的に支配された全動乱流プラズマの流れを解析した。

関連論文リスト

• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Mixture of multilayer stochastic block models for multiview clustering [0.0]
  本稿では,異なる情報源から得られた複数のクラスタリングを集約する独自の手法を提案する。 モデルパラメータの同定可能性を確立し,これらのパラメータを推定するために変分ベイズEMアルゴリズムを提案する。 この手法は、グローバルな食品取引網の分析に利用され、興味のある構造に繋がる。
  論文  参考訳（メタデータ） (2024-01-09T17:15:47Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Fast conformational clustering of extensive molecular dynamics simulation data [19.444636864515726]
  本稿では,長い軌道の高速なコンフォーメーションクラスタリングを実現するために,教師なしのデータ処理ワークフローを提案する。 我々は密度に基づく空間クラスタリングアルゴリズム(HDBSCAN)と2つの次元削減アルゴリズム(cc_analysisとEncodermap)を組み合わせる。 4つのテストシステムの助けを借りて、このクラスタリングワークフローの機能とパフォーマンスを説明します。
  論文  参考訳（メタデータ） (2023-01-11T14:36:43Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)
• Multiscale Clustering of Hyperspectral Images Through Spectral-Spatial Diffusion Geometry [9.619814126465206]
  クラスタリングアルゴリズムはデータセットを類似点のグループに分割する。 本論文の主な貢献は,マルチスケール空間規則化拡散学習(M-SRDL)クラスタリングアルゴリズムである。 マルチスケールクラスタリングフレームワークに空間正規化を組み込むことは、hsiデータに適用するとより滑らかでより一貫性のあるクラスタに対応できることを示す。
  論文  参考訳（メタデータ） (2021-03-29T17:24:28Z)
• A Multiscale Environment for Learning by Diffusion [9.619814126465206]
  本稿では,Multiscale Environment for Learning by Diffusion (MELD)データモデルを提案する。 本稿では,MELDデータモデルがデータ中の潜在的マルチスケール構造を正確に把握し,解析を容易にすることを示す。 多くの実データセットで観測されるマルチスケール構造を効率的に学習するために,教師なし拡散(M-LUND)クラスタリングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2021-01-31T17:46:19Z)
• LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
  ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。 本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-06-17T17:58:10Z)
• ClusterVO: Clustering Moving Instances and Estimating Visual Odometry for Self and Surroundings [54.33327082243022]
  ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。 以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
  論文  参考訳（メタデータ） (2020-03-29T09:06:28Z)

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。