論文の概要: Machine Learning for Detection of 3D Features using sparse X-ray data

• arxiv url: http://arxiv.org/abs/2206.02564v1
• Date: Thu, 2 Jun 2022 22:36:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 18:00:35.593929
• Title: Machine Learning for Detection of 3D Features using sparse X-ray data
• Title（参考訳）: スパースX線データを用いた3次元特徴検出のための機械学習
• Authors: Bradley T. Wolfe, Michael J. Falato, Xinhua Zhang, Nga T. T. Nguyen-Fotiadis, J.P. Sauppe, P. M. Kozlowski, P. A. Keiter, R. E. Reinovsky, S. A. Batha, and Zhehui Wang
• Abstract要約: 慣性凝縮核融合実験では、中性子収率とその他のパラメータは1次元モデルと2次元モデルで完全に説明できない。 この矛盾は、重要な3次元効果が存在することを示唆している。 これらの効果の源は、貝殻と貝殻の界面の欠陥、カプセルの充填管、二重の貝殻の標的の関節の特徴などである。 我々は畳み込みニューラルネットワークを用いて、実験データからICFインロジョンの異なる3次元表現を生成する。
• 参考スコア（独自算出の注目度）: 6.295613527861694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many inertial confinement fusion experiments, the neutron yield and other parameters cannot be completely accounted for with one and two dimensional models. This discrepancy suggests that there are three dimensional effects which may be significant. Sources of these effects include defects in the shells and shell interfaces, the fill tube of the capsule, and the joint feature in double shell targets. Due to their ability to penetrate materials, X-rays are used to capture the internal structure of objects. Methods such as Computational Tomography use X-ray radiographs from hundreds of projections in order to reconstruct a three dimensional model of the object. In experimental environments, such as the National Ignition Facility and Omega-60, the availability of these views is scarce and in many cases only consist of a single line of sight. Mathematical reconstruction of a 3D object from sparse views is an ill-posed inverse problem. These types of problems are typically solved by utilizing prior information. Neural networks have been used for the task of 3D reconstruction as they are capable of encoding and leveraging this prior information. We utilize half a dozen different convolutional neural networks to produce different 3D representations of ICF implosions from the experimental data. We utilize deep supervision to train a neural network to produce high resolution reconstructions. We use these representations to track 3D features of the capsules such as the ablator, inner shell, and the joint between shell hemispheres. Machine learning, supplemented by different priors, is a promising method for 3D reconstructions in ICF and X-ray radiography in general.
• Abstract（参考訳）: 多くの慣性凝縮核融合実験では、中性子収率やその他のパラメータは1次元モデルと2次元モデルで完全に説明できない。 この矛盾は、重要な3次元効果が存在することを示唆している。 これらの影響の源には、殻と殻の界面の欠陥、カプセルの充填管、二重シェルターゲットの関節機能が含まれる。 物質を透過する能力のため、X線は物体の内部構造を捉えるために用いられる。 計算トモグラフィーのような手法は、物体の3次元モデルを再構築するために数百の投影からx線ラジオグラフを使用する。 国立点火施設やomega-60のような実験環境では、これらのビューの可利用性は乏しく、多くの場合、1行の視線しか持たない。 スパースビューからの3次元物体の数学的再構成は不適切な逆問題である。 このような問題は、通常、事前情報を利用して解決される。 ニューラルネットワークは、従来の情報をエンコードし活用できるため、3D再構成のタスクに使われてきた。 実験データから5ダースの異なる畳み込みニューラルネットワークを用いて, icfインロージョンの異なる3次元表現を生成する。 我々は,高分解能再構成を実現するために,ニューラルネットワークを訓練するために深層監視を利用する。 これらの表現は、腹腔、内殻、および殻半球間の関節などのカプセルの3次元的特徴を追跡するために用いられる。 機械学習は、様々な先行技術によって補完され、ICFやX線ラジオグラフィー全般において3次元再構成の有望な方法である。

関連論文リスト

• fMRI-3D: A Comprehensive Dataset for Enhancing fMRI-based 3D Reconstruction [50.534007259536715]
  我々は15人の参加者のデータを含むfMRI-3Dデータセットを提示し、合計4768個の3Dオブジェクトを展示する。 我々は,fMRI信号から3次元視覚情報を復号化するための新しいフレームワークMinD-3Dを提案する。
  論文  参考訳（メタデータ） (2024-09-17T16:13:59Z)
• MinD-3D: Reconstruct High-quality 3D objects in Human Brain [50.534007259536715]
  Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3次元視覚を再構成するための革新的なタスクである。 このデータセットは14人の参加者のデータを含み、3Dオブジェクトの360度ビデオが特徴である。 我々は,脳の3次元視覚情報をfMRI信号から復号化するための,新規で効果的な3段階フレームワークMinD-3Dを提案する。
  論文  参考訳（メタデータ） (2023-12-12T18:21:36Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• Oral-3Dv2: 3D Oral Reconstruction from Panoramic X-Ray Imaging with Implicit Neural Representation [3.8215162658168524]
  Oral-3Dv2は、単一のパノラマX線画像から3Dラジオロジーを再構成する非逆学習モデルである。 本モデルは,2次元座標を3次元空間内のボクセルの密度値にマッピングすることにより,暗黙的に3次元口腔構造を表現することを学習する。 我々の知る限りでは、これは1枚のパノラマX線画像から3Dラジオグラフィ再構成における非逆学習モデルの最初の作品である。
  論文  参考訳（メタデータ） (2023-03-21T18:17:27Z)
• A Self-Supervised Approach to Reconstruction in Sparse X-Ray Computed Tomography [1.0806206850043696]
  この研究は、物理インフォームド変分オートエンコーダである自己教師付き確率的ディープラーニング技術を開発し、検証する。 ディープニューラルネットワークは、スパース2次元の投影測定を、既知の類似したオブジェクトのデータセットをトレーニングすることで3次元の再構成に変換するために使用されている。 高品質な再構成はディープラーニングなしでは生成できず、深層ニューラルネットワークは再構築なしでは学習できない。
  論文  参考訳（メタデータ） (2022-10-30T02:33:45Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• End-To-End Convolutional Neural Network for 3D Reconstruction of Knee Bones From Bi-Planar X-Ray Images [6.645111950779666]
  両平面X線画像から直接膝骨を3次元再構成するためのエンドツーエンド畳み込みニューラルネットワーク(CNN)を提案する。
  論文  参考訳（メタデータ） (2020-04-02T08:37:11Z)
• Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion [53.885984328273686]
  Implicit Feature Networks (IF-Nets) は連続的な出力を提供し、複数のトポロジを扱える。 IF-NetsはShapeNetにおける3次元オブジェクト再構成における先行作業よりも明らかに優れており、より正確な3次元人間の再構成が得られる。
  論文  参考訳（メタデータ） (2020-03-03T11:14:29Z)

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。