論文の概要: Neural network processing of holographic images

• arxiv url: http://arxiv.org/abs/2203.08898v2
• Date: Fri, 18 Mar 2022 15:08:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 11:27:23.912606
• Title: Neural network processing of holographic images
• Title（参考訳）: ホログラフィック画像のニューラルネットワーク処理
• Authors: John S. Schreck, Gabrielle Gantos, Matthew Hayman, Aaron Bansemer, David John Gagne
• Abstract要約: 空飛ぶ雲の粒子イメージ装置であるHOLODECは、一定量の雲のホログラフィック画像をキャプチャして、雲の粒子の種類と大きさを特徴付ける。 本稿では,ニューラルセグメンテーションモデル,GPU,計算並列化を利用したホログラム処理アルゴリズムHolodecMLを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: HOLODEC, an airborne cloud particle imager, captures holographic images of a fixed volume of cloud to characterize the types and sizes of cloud particles, such as water droplets and ice crystals. Cloud particle properties include position, diameter, and shape. We present a hologram processing algorithm, HolodecML, that utilizes a neural segmentation model, GPUs, and computational parallelization. HolodecML is trained using synthetically generated holograms based on a model of the instrument, and predicts masks around particles found within reconstructed images. From these masks, the position and size of the detected particles can be characterized in three dimensions. In order to successfully process real holograms, we find we must apply a series of image corrupting transformations and noise to the synthetic images used in training. In this evaluation, HolodecML had comparable position and size estimation performance to the standard processing method, but improved particle detection by nearly 20\% on several thousand manually labeled HOLODEC images. However, the improvement only occurred when image corruption was performed on the simulated images during training, thereby mimicking non-ideal conditions in the actual probe. The trained model also learned to differentiate artifacts and other impurities in the HOLODEC images from the particles, even though no such objects were present in the training data set, while the standard processing method struggled to separate particles from artifacts. The novelty of the training approach, which leveraged noise as a means for parameterizing non-ideal aspects of the HOLODEC detector, could be applied in other domains where the theoretical model is incapable of fully describing the real-world operation of the instrument and accurate truth data required for supervised learning cannot be obtained from real-world observations.
• Abstract（参考訳）: 空飛ぶ雲粒子イメージ装置であるHOLODECは、一定量の雲のホログラフィック画像をキャプチャして、水滴や氷結晶のような雲粒子の種類と大きさを特徴付ける。 雲粒子の特徴は、位置、直径、形状である。 本稿では,ニューラルセグメンテーションモデル,GPU,計算並列化を利用したホログラム処理アルゴリズムHolodecMLを提案する。 ホロデックMLは、装置のモデルに基づいて合成ホログラムを用いて訓練され、再構成された画像の中で見られる粒子の周りのマスクを予測する。 これらのマスクから、検出された粒子の位置と大きさを3次元で特徴づけることができる。 実ホログラムの処理を成功させるためには、トレーニングで使用される合成画像に一連の画像破壊変換とノイズを適用する必要がある。 この評価では、ホロデックMLは標準処理法と同等の位置とサイズの推定性能を有していたが、数千個のHOLODEC画像に対して、粒子検出を20倍近く改善した。 しかし、この改良は、訓練中に模擬画像上で画像破損が発生した場合にのみ発生し、実際のプローブにおける非理想条件を模倣する。 トレーニングされたモデルは、トレーニングデータセットにそのようなオブジェクトが存在しないにもかかわらず、ホロデック画像内のアーティファクトやその他の不純物を粒子と区別することを学び、標準処理方法はアーティファクトから粒子を分離するのに苦労した。 HOLODEC検出器の非理想的側面をパラメータ化する手段としてノイズを利用したトレーニング手法の新規性は、理論モデルが実世界の操作を完全に記述できない他の領域に適用でき、教師付き学習に必要な正確な真理データも実世界の観測では得られない。

関連論文リスト

• SynFog: A Photo-realistic Synthetic Fog Dataset based on End-to-end Imaging Simulation for Advancing Real-World Defogging in Autonomous Driving [48.27575423606407]
  フォトリアリスティックな霧画像を生成するために,エンド・ツー・エンドのシミュレーションパイプラインを導入する。 我々は、スカイライトとアクティブな照明条件の両方を特徴とするSynFogという新しい合成霧データセットを提案する。 実験の結果,SynFogで訓練したモデルでは,視覚知覚と検出精度が優れていた。
  論文  参考訳（メタデータ） (2024-03-25T18:32:41Z)
• Visual Tomography: Physically Faithful Volumetric Models of Partially Translucent Objects [0.0]
  オブジェクトのデジタル3D表現は、人間やコンピュータによる解析に有用である。 半半透明物体の内部を含む物理モデルを得るためのボリューム再構成手法を提案する。 我々の技術は、明るい白色光源の前で異なるポーズの下で物体を撮影し、ボクセル当たりの吸収と散乱を計算する。
  論文  参考訳（メタデータ） (2023-12-21T00:14:46Z)
• Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
  我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。 提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。 生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-09T10:22:08Z)
• Realistic Neutral Atom Image Simulation [1.3220067655295737]
  シミュレーションシステムにおける実際の状態の説明から中性原子実験のサンプル画像を生成することができるボトムアップシミュレータ。 ユースケースとしては、デモ目的の模範画像の作成、デコンボリューションアルゴリズムの高速トレーニングイテレーション、マシンラーニングの原子検出アプローチのためのラベル付きデータの生成などがある。
  論文  参考訳（メタデータ） (2023-10-04T14:02:18Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Mimicking non-ideal instrument behavior for hologram processing using neural style translation [0.0]
  ホログラフィー雲プローブは、雲粒子密度、大きさ、位置に関する前例のない情報を提供する。 ホログラムの処理には かなりの計算資源と 時間と時折 人間の介入が必要です ここでは, 模擬ホログラムへのニューラルスタイル翻訳手法の適用例を示す。
  論文  参考訳（メタデータ） (2023-01-07T01:01:27Z)
• Generative Deformable Radiance Fields for Disentangled Image Synthesis of Topology-Varying Objects [52.46838926521572]
  3D認識生成モデルは、モノクロ2D画像の集合から3Dニューラル放射場(NeRF)を生成するスーパーブパフォーマンスを実証した。 本研究では, トポロジー変化物体の放射場を非交絡形状と外観変化で合成する生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-09-09T08:44:06Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image Decomposition [67.9464567157846]
  合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。 実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-06-29T12:53:58Z)
• Deep DIH : Statistically Inferred Reconstruction of Digital In-Line Holography by Deep Learning [1.4619386068190985]
  デジタルインラインホログラフィーは、顕微鏡オブジェクトの2次元ホログラムから3次元画像を再構成するのに一般的に用いられる。 本稿では,シングルショットホログラム再構成のためのオートエンコーダに基づくディープラーニングアーキテクチャの実装を提案する。
  論文  参考訳（メタデータ） (2020-04-25T20:39:25Z)

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。