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
- MinD-3D: Reconstruct High-quality 3D objects in Human Brain [53.546633606914455]
Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3D視覚を再構築することに焦点を当てた画期的なタスクである。
総合的なfMRI信号キャプチャのための3Dオブジェクトの360度映像を利用したfMRI-Shapeデータセットを提案する。
また,fMRI信号から脳の3次元視覚情報をデコードし,再構成する新しい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) - 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) - Uncertainty Guided Policy for Active Robotic 3D Reconstruction using
Neural Radiance Fields [82.21033337949757]
本稿では,物体の暗黙のニューラル表現の各光線に沿ったカラーサンプルの重量分布のエントロピーを計算した線量不確実性推定器を提案する。
提案した推定器を用いた新しい視点から, 基礎となる3次元形状の不確かさを推測することが可能であることを示す。
ニューラルラディアンス場に基づく表現における線量不確実性によって導かれる次ベクター選択ポリシーを提案する。
論文 参考訳(メタデータ) (2022-09-17T21:28:57Z) - 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) - Cylindrical Convolutional Networks for Joint Object Detection and
Viewpoint Estimation [76.21696417873311]
3次元空間で定義された畳み込みカーネルの円筒形表現を利用する学習可能なモジュールである円筒型畳み込みネットワーク(CCN)を導入する。
CCNはビュー固有の畳み込みカーネルを通してビュー固有の特徴を抽出し、各視点におけるオブジェクトカテゴリスコアを予測する。
本実験は,円柱状畳み込みネットワークが関節物体の検出と視点推定に与える影響を実証する。
論文 参考訳(メタデータ) (2020-03-25T10:24:58Z) - 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。