Fugu-MT 論文翻訳(概要): MiNet: A Convolutional Neural Network for Identifying and Categorising Minerals

論文の概要: MiNet: A Convolutional Neural Network for Identifying and Categorising Minerals

arxiv url: http://arxiv.org/abs/2111.11260v1
Date: Mon, 22 Nov 2021 15:00:28 GMT
ステータス: 処理完了
システム内更新日: 2021-11-23 16:12:01.896845
Title: MiNet: A Convolutional Neural Network for Identifying and Categorising Minerals
Title（参考訳）: MiNet: ミネラルの識別と分類のための畳み込みニューラルネットワーク
Authors: Emmanuel Asiedu Brempong, Millicent Agangiba and Daniel Aikins
Abstract要約: 7種類の鉱物を識別・分類する単一ラベル画像分類モデルを開発した。実世界のデータセットを用いて行った実験は、このモデルが90.75%の精度を達成したことを示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Identification of minerals in the field is a task that is wrought with many challenges. Traditional approaches are prone to errors where there is no enough experience and expertise. Several existing techniques mainly make use of features of the minerals under a microscope and tend to favour a manual feature extraction pipeline. Deep learning methods can help overcome some of these hurdles and provide simple and effective ways to identify minerals. In this paper, we present an algorithm for identifying minerals from hand specimen images. Using a Convolutional Neural Network (CNN), we develop a single-label image classification model to identify and categorise seven classes of minerals. Experiments conducted using real-world datasets show that the model achieves an accuracy of 90.75%.
Abstract（参考訳）: この分野における鉱物の同定は多くの課題に満ちた課題である。従来のアプローチは、十分な経験と専門知識がない場合にエラーを起こしやすい。いくつかの既存の技術は主に顕微鏡下で鉱物の特徴を利用し、手動の特徴抽出パイプラインを好む傾向にある。ディープラーニングの手法は、これらのハードルを克服し、鉱物をシンプルかつ効果的に識別する方法を提供する。本稿では,手検体画像から鉱物を同定するアルゴリズムを提案する。畳み込みニューラルネットワーク(CNN)を用いて、7種類の鉱物を識別・分類する単一ラベル画像分類モデルを開発した。実世界のデータセットを用いた実験により、このモデルは精度90.75%を達成した。

関連論文リスト

From Spectra to Geography: Intelligent Mapping of RRUFF Mineral Data [0.0]
我々は1次元のConvNeXt1Dニューラルネットワークアーキテクチャを用いて、スペクトル信号のみに基づいてミネラルスペクトルを分類する。処理されたデータセットは、101か国にまたがる32,900以上の鉱物サンプルからなる。
論文参考訳（メタデータ） (2024-11-18T16:15:00Z)
Direct mineral content prediction from drill core images via transfer learning [0.0]
深層探査は、鉱業、石油、ガス産業、化学廃棄物や核廃棄物の処理のための地質単位の評価において重要である。本研究では,機械学習,特に畳み込みニューラルネットワーク(CNN)を活用して,ドリルコア画像の解析のみからリソロジーとミネラル含量を評価する可能性について検討する。その結果、ドリルコアセグメントを異なる形成クラスに分類する際、96.7%の精度が明らかとなった。
論文参考訳（メタデータ） (2024-03-27T12:15:22Z)
Unsupervised ore/waste classification on open-cut mine faces using close-range hyperspectral data [1.8111829286068908]
地雷面のスペクトルの教師なしマッピングのためのパイプラインを提案する。提案したパイプラインは、鉱山の表面にミネラルをマッピングする統一システムにおいて、教師なしと自己教師付きのアルゴリズムを結合する。マッピング機能の一貫性は、2つの異なる時間で取得されたデータを用いて実証される。
論文参考訳（メタデータ） (2023-02-09T21:03:03Z)
AI for Porosity and Permeability Prediction from Geologic Core X-Ray Micro-Tomography [0.0]
岩盤の物理的特性を予測するために,非常に小さなCNN変換器モデルを用いた自己教師付き事前学習を提案する。この手法は, 極端に小さなデータセットであっても過度に適合しないことを示す。
論文参考訳（メタデータ） (2022-05-26T06:55:03Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文参考訳（メタデータ） (2022-04-09T16:41:53Z)
Streaming Self-Training via Domain-Agnostic Unlabeled Images [62.57647373581592]
視覚認識モデル学習の過程を民主化することを目的としたストリーミング自己学習(SST)を提案する。 SSTの鍵となるのは、(1)ドメインに依存しない未ラベル画像により、追加の知識や監督なしにいくつかのラベル付き例でより良いモデルを学ぶことができ、(2)学習は継続的なプロセスであり、学習更新のスケジュールを構築することで行うことができる。
論文参考訳（メタデータ） (2021-04-07T17:58:39Z)
Knowledge Distillation By Sparse Representation Matching [107.87219371697063]
本稿では,一方の畳み込みネットワーク(cnn)から他方へ,スパース表現を用いて中間知識を伝達するスパース表現マッチング(srm)を提案する。勾配降下を利用して効率的に最適化し、任意のCNNにプラグアンドプレイで統合できるニューラルプロセッシングブロックとして定式化します。実験の結果,教師と生徒のネットワーク間のアーキテクチャの違いに頑健であり,複数のデータセットにまたがる他のkd技術よりも優れていた。
論文参考訳（メタデータ） (2021-03-31T11:47:47Z)
Multi-attentional Deepfake Detection [79.80308897734491]
ディープフェイクによる顔の偽造はインターネットに広まり、深刻な社会的懸念を引き起こしている。新たなマルチアテンテーショナルディープフェイク検出ネットワークを提案する。具体的には,1)ネットワークを異なる局所的部分へ配置するための複数の空間的注意ヘッド,2)浅い特徴の微妙なアーティファクトをズームするテクスチャ的特徴拡張ブロック,3)低レベルなテクスチャ特徴と高レベルなセマンティクス特徴をアグリゲートする,の3つの構成要素からなる。
論文参考訳（メタデータ） (2021-03-03T13:56:14Z)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)
Automatic identification of fossils and abiotic grains during carbonate microfacies analysis using deep convolutional neural networks [1.520387509697271]
堆積物環境の解釈や古生態学的復元には, 薄片の微細構造同定に基づく岩石学的解析が広く用いられている。骨格の断片の形態学的および微細構造的多様性を識別するには、微生物の化石形態の広範な事前知識が必要である。
論文参考訳（メタデータ） (2020-09-24T00:58:48Z)

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。