論文の概要: Bubble identification from images with machine learning methods

• arxiv url: http://arxiv.org/abs/2202.03107v1
• Date: Mon, 7 Feb 2022 12:38:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 22:26:58.933657
• Title: Bubble identification from images with machine learning methods
• Title（参考訳）: 機械学習による画像からの気泡識別
• Authors: Hendrik Hessenkemper, Sebastian Starke, Yazan Atassi, Thomas Ziegenhein, Dirk Lucas
• Abstract要約: 気泡流画像の自動的かつ信頼性の高い処理が必要である。 近年のアプローチでは,この課題に対するディープラーニングアルゴリズムの利用に焦点が当てられている。 本研究では、畳み込みニューラルネットワーク(CNN)に基づく3つの異なる手法を試すことにより、これらの点に挑戦する。
• 参考スコア（独自算出の注目度）: 3.4123736336071864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An automated and reliable processing of bubbly flow images is highly needed to analyse large data sets of comprehensive experimental series. A particular difficulty arises due to overlapping bubble projections in recorded images, which highly complicates the identification of individual bubbles. Recent approaches focus on the use of deep learning algorithms for this task and have already proven the high potential of such techniques. The main difficulties are the capability to handle different image conditions, higher gas volume fractions and a proper reconstruction of the hidden segment of a partly occluded bubble. In the present work, we try to tackle these points by testing three different methods based on Convolutional Neural Networks (CNNs) for the two former and two individual approaches that can be used subsequently to address the latter. To validate our methodology, we created test data sets with synthetic images that further demonstrate the capabilities as well as limitations of our combined approach. The generated data, code and trained models are made accessible to facilitate the use as well as further developments in the research field of bubble recognition in experimental images.
• Abstract（参考訳）: 総合実験シリーズの大規模データセットを解析するためには, 気泡流画像の自動的, 信頼性の高い処理が必要である。 記録された画像内の気泡投射が重なり、個々の気泡の同定が非常に複雑になるため、特に困難が生じる。 近年のアプローチでは,この課題に対するディープラーニングアルゴリズムの利用に焦点が当てられ,その可能性は既に証明されている。 主な困難は、異なる画像条件、高いガス量分画、および部分的に閉塞された気泡の隠れたセグメントを適切に再構成する能力である。 本研究では,従来の2つのアプローチとそれに対応する2つの個別アプローチに対して,畳み込みニューラルネットワーク(CNN)に基づく3つの異なる手法を試すことにより,これらの点に挑戦する。 提案手法を検証するため,合成画像を用いたテストデータセットを作成し,その機能と,組み合わせたアプローチの限界を実証した。 生成されたデータ、コード、訓練されたモデルにアクセスし、実験画像における気泡認識の研究分野におけるさらなる発展を可能にする。

関連論文リスト

• A Large-scale AI-generated Image Inpainting Benchmark [11.216906046169683]
  本稿では,高品質な塗り絵データセットの作成手法を提案し,それをDiQuID作成に適用する。 DiQuIDは、MS-COCO、RAISE、OpenImagesから78,000個のオリジナル画像から生成された95,000枚のインペイント画像で構成されている。 我々は、最先端の偽造検出手法を用いて包括的なベンチマーク結果を提供し、検出アルゴリズムの評価と改善におけるデータセットの有効性を実証する。
  論文  参考訳（メタデータ） (2025-02-10T15:56:28Z)
• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• DeepFeatureX Net: Deep Features eXtractors based Network for discriminating synthetic from real images [6.75641797020186]
  ディープラーニングアルゴリズムによって生成された合成画像であるDeepfakesは、Digital Forensicsの分野における最大の課題の1つだ。 ベースモデルと呼ばれる3つのブロックに基づく新しい手法を提案する。 そして、各ブロックから抽出された一般化特徴を処理して、入力画像の起源を判別する。
  論文  参考訳（メタデータ） (2024-04-24T07:25:36Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
  テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。 有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。 上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
  論文  参考訳（メタデータ） (2023-08-13T10:07:46Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Learning to search for and detect objects in foveal images using deep learning [3.655021726150368]
  本研究では,画像中のクラスを探索する人間の客観的な注意をエミュレートする固定予測モデルを用いる。 そして、各固定点のフェーブされた画像を分類して、シーンにターゲットが存在するか否かを判定する。 本稿では,2つのタスク間の知識伝達を可能とし,修正予測と検出を同時に行うことができる新しいデュアルタスクモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-12T09:50:25Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Toward an ImageNet Library of Functions for Global Optimization Benchmarking [0.0]
  本研究では,認識問題を画像認識問題に変換することを提案する。 教師付きマルチクラス画像認識問題として対処し、基本的ニューラルネットワークモデルを適用して解決する。 この明らかに成功した学習は、自動特徴抽出とBBO問題の局所構造推論への別のステップである。
  論文  参考訳（メタデータ） (2022-06-27T21:05:00Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。