論文の概要: Core Box Image Recognition and its Improvement with a New Augmentation Technique

• arxiv url: http://arxiv.org/abs/2204.08853v2
• Date: Wed, 20 Apr 2022 10:54:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 11:16:27.524971
• Title: Core Box Image Recognition and its Improvement with a New Augmentation Technique
• Title（参考訳）: 新しい拡張技術によるコアボックス画像認識とその改善
• Authors: E.E. Baraboshkin, A.E. Demidov, D.M. Orlov, D.A. Koroteev
• Abstract要約: この研究はコアボックスからコア列を抽出するための革新的な方法とアルゴリズムを提示する。 この研究で説明したユニークな拡張によって、さまざまな環境をエミュレートできます。 自動コア記述システムに実装されたコア列抽出アルゴリズムは、コアボックス処理を20倍高速化する。
• 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: Most methods for automated full-bore rock core image analysis (description, colour, properties distribution, etc.) are based on separate core column analyses. The core is usually imaged in a box because of the significant amount of time taken to get an image for each core column. The work presents an innovative method and algorithm for core columns extraction from core boxes. The conditions for core boxes imaging may differ tremendously. Such differences are disastrous for machine learning algorithms which need a large dataset describing all possible data variations. Still, such images have some standard features - a box and core. Thus, we can emulate different environments with a unique augmentation described in this work. It is called template-like augmentation (TLA). The method is described and tested on various environments, and results are compared on an algorithm trained on both 'traditional' data and a mix of traditional and TLA data. The algorithm trained with TLA data provides better metrics and can detect core on most new images, unlike the algorithm trained on data without TLA. The algorithm for core column extraction implemented in an automated core description system speeds up the core box processing by a factor of 20.
• Abstract（参考訳）: 自動フルボア岩盤コア画像解析(記述、色、プロパティ分布など)のほとんどの方法は、分離されたコアカラム分析に基づいている。 コアは通常、各コアカラムのイメージを取得するのにかなりの時間を要するため、ボックス内でイメージされます。 この研究はコアボックスからコア列を抽出するための革新的な方法とアルゴリズムを示す。 コアボックスイメージングの条件は、大きく異なる可能性がある。 このような違いは、可能なすべてのデータバリエーションを記述する大きなデータセットを必要とする機械学習アルゴリズムにとっては悲惨だ。 それでもそのようなイメージには、ボックスとコアという、いくつかの標準的な機能があります。 したがって,本研究では,異なる環境のエミュレートを行うことができる。 テンプレートライクな拡張(TLA)と呼ばれる。 この手法は様々な環境で記述・テストされ、従来のデータと伝統的なデータとtlaデータの両方で訓練されたアルゴリズムで比較される。 TLAデータでトレーニングされたアルゴリズムは、TLAなしでトレーニングされたデータとは異なり、より良いメトリクスを提供し、ほとんどの新しいイメージのコアを検出することができる。 自動化コア記述システムで実装されたコアカラム抽出アルゴリズムは、コアボックス処理を20倍高速化する。

関連論文リスト

• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• Patch-Wise Self-Supervised Visual Representation Learning: A Fine-Grained Approach [4.9204263448542465]
  本研究は、パッチレベルの識別を自己教師付き視覚表現学習に組み込むことにより、革新的できめ細かな次元を導入する。 それぞれのパッチは個別に拡張され、同じビュー内の他のパッチとは独立している。 我々は、拡張ビュー全体にわたって対応するパッチを見つけるための、単純で効果的なパッチマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-28T09:35:30Z)
• DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
  ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。 まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。 次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:01:13Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Deep ensembles in bioimage segmentation [74.01883650587321]
  本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。 アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。 提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2021-12-24T05:54:21Z)
• Instance-weighted Central Similarity for Multi-label Image Retrieval [66.23348499938278]
  ハッシュコードに対応する中心重みを自動的に学習するために,インスタンス重み付き中央類似度(ICS)を提案する。 特にMS COCOデータセットのmAPを1.6%-6.4%改善する。
  論文  参考訳（メタデータ） (2021-08-11T15:18:18Z)
• AugNet: End-to-End Unsupervised Visual Representation Learning with Image Augmentation [3.6790362352712873]
  我々は、未ラベル画像の集合から画像特徴を学習するための新しいディープラーニングトレーニングパラダイムであるAugNetを提案する。 実験により,低次元空間における画像の表現が可能であることを実証した。 多くのディープラーニングベースの画像検索アルゴリズムとは異なり、我々のアプローチは外部アノテーション付きデータセットへのアクセスを必要としない。
  論文  参考訳（メタデータ） (2021-06-11T09:02:30Z)
• Fast, Self Supervised, Fully Convolutional Color Normalization of H&E Stained Images [3.1329883315045106]
  色の変化は、病理組織学における自動診断システムのためのディープラーニングベースのソリューションの展開に問題を引き起こす。 本稿では,自己教師付きトレーニングと推論において高速な色正規化手法を提案する。 本手法は,軽量な完全畳み込みニューラルネットワークをベースとして,深層学習に基づくパイプラインに前処理ブロックとして容易に取り付けることができる。
  論文  参考訳（メタデータ） (2020-11-30T17:05:58Z)
• Computational efficient deep neural network with difference attention maps for facial action unit detection [3.73202122588308]
  本稿では,差分画像に基づくCEDNNモデルと空間アテンションマップを提案する。 多くの実験結果から、提案したCEDNNは明らかにdisFA+およびCK+データセットの従来のディープラーニング手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T13:34:58Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• Variational Clustering: Leveraging Variational Autoencoders for Image Clustering [8.465172258675763]
  変分オートエンコーダ(VAE)は、潜在空間におけるデータ分布の学習に自然に役立ちます。 画像のクラスタリングに先立ってガウス混合を用いるVAEに基づく手法を提案する。 提案手法は,画像の潜伏分布と後部を捉える前処理を同時に学習し,データポイント間の識別に役立てる。
  論文  参考訳（メタデータ） (2020-05-10T09:34:48Z)

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。

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。