Fugu-MT 論文翻訳(概要): On scale-invariant properties in natural images and their simulations

論文の概要: On scale-invariant properties in natural images and their simulations

arxiv url: http://arxiv.org/abs/2201.13312v1
Date: Thu, 27 Jan 2022 08:51:52 GMT
ステータス: 処理完了
システム内更新日: 2022-02-05 10:25:15.665849
Title: On scale-invariant properties in natural images and their simulations
Title（参考訳）: 自然画像のスケール不変特性とそのシミュレーション
Authors: Maxim Koroteev and Kirill Aistov
Abstract要約: 統計的特徴の集合を計算した自然画像のサンプルについて検討する。次に、自然画像のスケール不変性の可能性について論じる。
参考スコア（独自算出の注目度）: 4.061135251278187
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: We study samples of natural images for which a set of statistical characteristics is computed and scale-invariant properties of samples are demonstrated computationally. Computations of the power spectrum are carried out and a power-law decaying power spectrum is observed on samples taken from van Hateren images of natural scenes. We propose a dynamic model to reproduce the observed slope in the power spectrum qualitatively. For two types of sources for this model the behaviour of power spectrum is investigated and scale-invariance confirmed numerically. We then discuss potential applications of scale-invariant properties of natural images.
Abstract（参考訳）: 本研究では,統計特性の集合を計算し,サンプルのスケール不変特性を計算的に示す自然画像のサンプルについて検討する。自然界のファン・ハテレン画像から得られた試料から,パワースペクトルの計算を行い,パワーロー減衰パワースペクトルを観測した。パワースペクトルにおける観測された傾斜を定性的に再現する動的モデルを提案する。このモデルのための2種類の源について, パワースペクトルの挙動を調査し, スケール非分散を数値的に確認した。次に,自然画像のスケール不変特性の潜在的応用について考察する。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Dynamic multi feature-class Gaussian process models [0.0]
本研究では, 医用画像における形状, ポーズ, 強度特徴の自動学習のための統計的モデリング手法を提案する。 DMFC-GPM (DMFC-GPM) はガウス過程(GP)に基づくモデルであり、線形および非線形の変動を符号化する潜在空間を共有する。モデル性能の結果は、この新しいモデリングパラダイムが堅牢で、正確で、アクセス可能であり、潜在的な応用があることを示唆している。
論文参考訳（メタデータ） (2021-12-08T15:12:47Z)
Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
論文参考訳（メタデータ） (2021-08-25T21:27:29Z)
What Image Features Boost Housing Market Predictions? [81.32205133298254]
本稿では,予測アルゴリズムにおける効率的な数値包摂のための視覚特徴抽出手法を提案する。本稿では,シャノンのエントロピー,重心計算,画像分割,畳み込みニューラルネットワークなどの手法について論じる。ここで選択された40の画像特徴のセットは、かなりの量の予測能力を持ち、最も強力なメタデータ予測器よりも優れています。
論文参考訳（メタデータ） (2021-07-15T06:32:10Z)
Learning Equivariant Energy Based Models with Equivariant Stein Variational Gradient Descent [80.73580820014242]
本稿では,確率モデルに対称性を組み込むことにより,確率密度の効率的なサンプリングと学習の問題に焦点をあてる。まず、等変シュタイン変分勾配Descentアルゴリズムを導入する。これは、対称性を持つ密度からサンプリングするスタインの同一性に基づく同変サンプリング法である。我々はエネルギーベースモデルのトレーニングを改善し、スケールアップする新しい方法を提案する。
論文参考訳（メタデータ） (2021-06-15T01:35:17Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Learning Exponential Family Graphical Models with Latent Variables using Regularized Conditional Likelihood [10.21814909876358]
遅延可変グラフィカルモデリングのための正規化条件付き確率に基づく新しい凸緩和フレームワークを提案する。我々は、実データだけでなく、合成に関する数値実験を通じて、我々のフレームワークの有用性と柔軟性を実証する。
論文参考訳（メタデータ） (2020-10-19T11:16:26Z)
Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。分散による離散乗法雑音のパラメータによく現れることを示す。最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文参考訳（メタデータ） (2020-06-11T09:58:01Z)
ICE-BeeM: Identifiable Conditional Energy-Based Deep Models Based on Nonlinear ICA [11.919315372249802]
確率モデルの同定可能性理論を考察する。我々は,独立に修飾されたコンポーネント分析の枠組みにおけるコンポーネントの推定に,我々のモデルを利用できることを示す。
論文参考訳（メタデータ） (2020-02-26T14:43:30Z)
Fast approximations in the homogeneous Ising model for use in scene analysis [61.0951285821105]
我々は、推論に必要な量を数値計算できる正確な近似を提供する。近似式はスケーラブルでマルコフランダム場の大きさに満足できないことを示す。機能的磁気共鳴イメージングアクティベーション検出実験においてベイズ推論を行い, ピスタチオ樹収量の年次増加の空間パターンにおける異方性に対する確率比試験を行った。
論文参考訳（メタデータ） (2017-12-06T14:24:34Z)

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。