論文の概要: Image features of a splashing drop on a solid surface extracted using a feedforward neural network

• arxiv url: http://arxiv.org/abs/2201.09541v1
• Date: Mon, 24 Jan 2022 09:24:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-26 01:59:02.513102
• Title: Image features of a splashing drop on a solid surface extracted using a feedforward neural network
• Title（参考訳）: フィードフォワードニューラルネットワークを用いた固体表面の散水滴の画像特徴
• Authors: Jingzu Yee, Akinori Yamanaka and Yoshiyuki Tagawa
• Abstract要約: 本稿では、フィードフォワードニューラルネットワーク(FNN)を用いた画像特徴抽出によって発見された固体表面のばね滴の非直感的特徴を報告する。 落下の半分が衝突した時に撮影された画像は、結果に応じてラベル付けされ、水しぶきや非散布が行われ、FNNの訓練に使用された。 可視化により、トレーニングされたFNNは、衝突滴の本体の輪郭の高さを、発散滴と非発散滴とを区別する重要な特徴として同定した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article reports nonintuitive characteristic of a splashing drop on a solid surface discovered through extracting image features using a feedforward neural network (FNN). Ethanol of area-equivalent radius about 1.29 mm was dropped from impact heights ranging from 4 cm to 60 cm (splashing threshold 20 cm) and impacted on a hydrophilic surface. The images captured when half of the drop impacted the surface were labeled according to their outcome, splashing or nonsplashing, and were used to train an FNN. A classification accuracy higher than 96% was achieved. To extract the image features identified by the FNN for classification, the weight matrix of the trained FNN for identifying splashing drops was visualized. Remarkably, the visualization showed that the trained FNN identified the contour height of the main body of the impacting drop as an important characteristic differentiating between splashing and nonsplashing drops, which has not been reported in previous studies. This feature was found throughout the impact, even when one and three-quarters of the drop impacted the surface. To confirm the importance of this image feature, the FNN was retrained to classify using only the main body without checking for the presence of ejected secondary droplets. The accuracy was still higher than 82%, confirming that the contour height is an important feature distinguishing splashing from nonsplashing drops. Several aspects of drop impact are analyzed and discussed with the aim of identifying the possible mechanism underlying the difference in contour height between splashing and nonsplashing drops.
• Abstract（参考訳）: 本稿では, フィードフォワードニューラルネットワーク(FNN)を用いた画像特徴抽出により, 固体表面のばね滴の非直感的特性を報告する。 面積等価半径約1.29mmのエタノールは4cmから60cm(スプレイニングしきい値20cm)の衝撃高から落下し,親水性表面へ衝突した。 落下の半分が地表に衝突したときに撮影された画像は、結果に応じてラベル付けされ、水しぶきや非散布が行われ、FNNの訓練に使用された。 分類精度は96%以上であった。 分類のためにFNNが同定した画像の特徴を抽出するため, 発散滴を特定するためのトレーニング済みFNNの重み行列を可視化した。 可視化の結果、トレーニングされたFNNは、衝突滴の本体の輪郭の高さを、これまでの研究では報告されていない発散滴と非発散滴の相違点として同定した。 この特徴は、落下の4分の1と3が地表に衝突しても、衝撃を通じて発見された。 この画像特徴の重要性を確認するため、FNNは、放出された二次液滴の存在を確認することなく、本体のみを用いて分類するように再訓練された。 精度は82%以上であり, 反りの高さが非スラッシュ落下と区別される重要な特徴であることを確認した。 落下衝撃のいくつかの側面を解析し, 水しぶきと非散布液滴の輪郭高さ差のメカニズムを明らかにすることを目的として検討した。

関連論文リスト

• MAGO-SP: Detection and Correction of Water-Fat Swaps in Magnitude-Only VIBE MRI [5.986379010185137]
  容積補間ブレスホールド試験(VIBE)MRIは水と脂肪の信号合成推定に適した画像を生成する。 2点VIBEは水脂肪分離画像を提供するが、6点VIBEは有効緩和率R2*と陽子密度脂肪率(PDFF)の推定を可能にする。 この欠点は、大規模臨床データと人口調査の自動PDFF解析におけるVIBE-MRIの適用に挑戦するものである。 本研究では,非コントラスト強調VIBE画像における水脂肪交換を自動的に検出し,補正するパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-02-20T15:54:37Z)
• Underwater Image Quality Assessment: A Perceptual Framework Guided by Physical Imaging [52.860312888450096]
  PIGUIQAと呼ばれる水中画像品質評価(UIQA)のための物理画像誘導フレームワークを提案する。 提案手法に物理に基づく水中画像推定を取り入れ,直接透過減衰と後方散乱が画質に与える影響を計測する歪み測定値を定義した。 PIGUIQAは水中画像品質予測における最先端性能を実現し,高い一般化性を示す。
  論文  参考訳（メタデータ） (2024-12-20T03:31:45Z)
• Haar Nuclear Norms with Applications to Remote Sensing Imagery Restoration [53.68392692185276]
  本稿では,Har Nuclear norm (HNN) という,高効率かつ効率的なリモートセンシング画像復元のための新しい低ランク正規化用語を提案する。 2次元前方スライス-ワイド・ハール離散ウェーブレット変換から導出されるウェーブレット係数の低ランク特性を利用する。 ハイパースペクトル像の着色, マルチテンポラル画像雲の除去, ハイパースペクトル像の脱色実験により, HNNの可能性が明らかとなった。
  論文  参考訳（メタデータ） (2024-07-11T13:46:47Z)
• Correlation between morphological evolution of splashing drop and exerted impact force revealed by interpretation of explainable artificial intelligence [0.0]
  本研究は, 着水形態と固体表面の衝突落下による正規化衝撃力との相関関係を明らかにする。 抽出した発散特性について算出した速度は, 正規化衝撃力の分布と密に一致している。
  論文  参考訳（メタデータ） (2023-09-19T02:40:38Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement and Beyond [52.27796682972484]
  既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。 本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。 微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
  論文  参考訳（メタデータ） (2023-08-02T04:17:35Z)
• Learning to Predict Fitness for Duty using Near Infrared Periocular Iris Images [8.79172220232372]
  本研究は, 中枢神経系に対する外部因子の影響を明らかにすることに焦点を当てた。 目的は、これが虹彩や瞳孔運動にどのように影響するかを分析することである。 本稿では,アルコール/ドラッグ/スリープ性の影響下で被験者から採取した虹彩NIR画像を分類するMobileNetV2を提案する。
  論文  参考訳（メタデータ） (2022-09-04T19:48:45Z)
• Features of a Splashing Drop on a Solid Surface and the Temporal Evolution extracted through Image-Sequence Classification using an Interpretable Feedforward Neural Network [0.0]
  隠れ層がゼロの高解釈可能なフィードフォワードニューラルネットワーク(FNN)を用いて固体表面のばね滴の特徴を抽出する。 訓練されたFNNは、空気力学的に持ち上げられたラメラの周りに放出された二次液滴の時間的進化を特定する。
  論文  参考訳（メタデータ） (2022-07-03T07:21:09Z)
• On the Effect of Selfie Beautification Filters on Face Detection and Recognition [53.561797148529664]
  ソーシャルメディア画像フィルターは、例えば人工眼鏡や動物の鼻で、画像コントラスト、照明、あるいは顔の一部を妨げる。 U-NETセグメンテーションネットワークの修正版を用いて適用操作を再構築する手法を開発した。 認識の観点からは、顔を認識するために訓練されたResNet-34ネットワークを用いて抽出された特徴に対して、距離測定と訓練された機械学習アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-10-17T22:10:56Z)
• The Implicit and Explicit Regularization Effects of Dropout [43.431343291010734]
  ドロップアウト(英: Dropout)は、多くのアーキテクチャの最先端を得るためにしばしば必要とされる、広く使われている正規化技術である。 この研究は、ドロップアウトが2つの異なるが絡み合った正規化効果をもたらすことを示した。
  論文  参考訳（メタデータ） (2020-02-28T18:31:17Z)
• The Break-Even Point on Optimization Trajectories of Deep Neural Networks [64.7563588124004]
  この軌道上の「破滅的な」点の存在を論じる。 トレーニングの初期段階での大きな学習率を用いることで、勾配のばらつきが軽減されることを示す。 また, バッチ正規化層を有するニューラルネットワークにおいても, 低学習率を用いることで損失面の条件が悪くなることを示す。
  論文  参考訳（メタデータ） (2020-02-21T22:55:51Z)

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。