Fugu-MT 論文翻訳(概要): Features of a Splashing Drop on a Solid Surface and the Temporal Evolution extracted through Image-Sequence Classification using an Interpretable Feedforward Neural Network

論文の概要: Features of a Splashing Drop on a Solid Surface and the Temporal Evolution extracted through Image-Sequence Classification using an Interpretable Feedforward Neural Network

arxiv url: http://arxiv.org/abs/2207.00971v1
Date: Sun, 3 Jul 2022 07:21:09 GMT
ステータス: 処理完了
システム内更新日: 2022-07-05 13:58:35.090914
Title: Features of a Splashing Drop on a Solid Surface and the Temporal Evolution extracted through Image-Sequence Classification using an Interpretable Feedforward Neural Network
Title（参考訳）: 解釈可能なフィードフォワードニューラルネットワークを用いた画像系列分類による固体表面のスプラッシュ・ドロップと時間進化の特徴
Authors: Jingzu Yee, Daichi Igarashi, Akinori Yamanaka, Yoshiyuki Tagawa
Abstract要約: 隠れ層がゼロの高解釈可能なフィードフォワードニューラルネットワーク(FNN)を用いて固体表面のばね滴の特徴を抽出する。訓練されたFNNは、空気力学的に持ち上げられたラメラの周りに放出された二次液滴の時間的進化を特定する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper reports the features of a splashing drop on a solid surface and the temporal evolution, which are extracted through image-sequence classification using a highly interpretable feedforward neural network (FNN) with zero hidden layer. The image sequences used for training-validation and testing of the FNN show the early-stage deformation of milli-sized ethanol drops that impact a hydrophilic glass substrate with the Weber number ranges between 31-474 (splashing threshold about 173). Specific videographing conditions and digital image processing are performed to ensure the high similarity among the image sequences. As a result, the trained FNNs achieved a test accuracy higher than 96%. Remarkably, the feature extraction shows that the trained FNN identifies the temporal evolution of the ejected secondary droplets around the aerodynamically lifted lamella and the relatively high contour of the main body as the features of a splashing drop, while the relatively short and thick lamella as the feature of a nonsplashing drop. The physical interpretation for these features and their respective temporal evolution have been identified except for the difference in contour height of the main body between splashing and nonsplashing drops. The observation reported in this study is important for the development of a data-driven simulation for modeling the deformation of a splashing drop during the impact on a solid surface.
Abstract（参考訳）: 本稿では,高解釈可能なフィードフォワードニューラルネットワーク(FNN)を用いた画像系列分類によって抽出した,固体表面上の発散滴と時間的進化の特徴を報告する。 FNNのトレーニングバリデーションと試験に使用される画像シーケンスは、親水性ガラス基板に衝突するミリサイズのエタノール滴の早期変形を、ウェバー数31-474の範囲で示している(スラッシュ閾値は約173)。特定のビデオ撮影条件とデジタル画像処理を行い、画像シーケンス間の高い類似性を保証する。その結果、訓練されたFNNは96%以上の精度でテストを行った。特徴抽出により, 空力的に揚水されたラメラの周囲に放出される二次液滴の時間的変化と, 本体の比較的高い輪郭を散水滴の特徴として同定し, 相対的に短くて厚いラメラを非散水滴の特徴として同定した。これらの特徴の物理的解釈とその時間的進化は, 発散滴と非発散滴の間の本体の輪郭高さの違いを除いて同定されている。本研究で報告された観察は, 固体表面への衝突時の発散滴の変形をモデル化するためのデータ駆動シミュレーションの開発に重要である。

関連論文リスト

Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文参考訳（メタデータ） (2024-03-14T02:26:10Z)
A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [55.748186000425996]
最近の進歩は、拡散モデルが高品質な画像を生成することを示している。我々はこの現象を階層的なデータ生成モデルで研究する。本分析は拡散モデルにおける時間とスケールの関係を特徴付ける。
論文参考訳（メタデータ） (2024-02-26T19:52:33Z)
Vision-Informed Flow Image Super-Resolution with Quaternion Spatial Modeling and Dynamic Flow Convolution [49.45309818782329]
フロー画像超解像(FISR)は、低分解能フロー画像から高分解能乱流速度場を復元することを目的としている。既存のFISR法は主に自然画像パターンのフロー画像を処理する。第一流れの視覚特性インフォームドFISRアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-01-29T06:48:16Z)
Correlation between morphological evolution of splashing drop and exerted impact force revealed by interpretation of explainable artificial intelligence [0.0]
本研究は, 着水形態と固体表面の衝突落下による正規化衝撃力との相関関係を明らかにする。抽出した発散特性について算出した速度は, 正規化衝撃力の分布と密に一致している。
論文参考訳（メタデータ） (2023-09-19T02:40:38Z)
Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文参考訳（メタデータ） (2023-08-24T12:32:46Z)
WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement and Beyond [52.27796682972484]
既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
論文参考訳（メタデータ） (2023-08-02T04:17:35Z)
Image Deblurring by Exploring In-depth Properties of Transformer [86.7039249037193]
我々は、事前訓練された視覚変換器(ViT)から抽出した深い特徴を活用し、定量的な測定値によって測定された性能を犠牲にすることなく、回復した画像のシャープ化を促進する。得られた画像と対象画像の変換器特徴を比較することにより、事前学習された変換器は、高解像度のぼやけた意味情報を提供する。特徴をベクトルとみなし、抽出された画像から抽出された表現とユークリッド空間における対象表現との差を計算する。
論文参考訳（メタデータ） (2023-03-24T14:14:25Z)
Towards retrieving dispersion profiles using quantum-mimic Optical Coherence Tomography and Machine Learnin [0.0]
量子-ミリ波光コヒーレンス・トモグラフィーの成果は、最も単純な物体であっても画像をスクランブルする。これらは自己相関の副作用であり、この手法の背後にある量子エンタングルメント模倣アルゴリズムで使用される。このアーチファクトと層分散のユニークな関係は、オブジェクト層の群速度分散(GVD)値を決定するために利用することができる。
論文参考訳（メタデータ） (2022-05-30T23:30:29Z)
Image features of a splashing drop on a solid surface extracted using a feedforward neural network [0.0]
本稿では、フィードフォワードニューラルネットワーク(FNN)を用いた画像特徴抽出によって発見された固体表面のばね滴の非直感的特徴を報告する。落下の半分が衝突した時に撮影された画像は、結果に応じてラベル付けされ、水しぶきや非散布が行われ、FNNの訓練に使用された。可視化により、トレーニングされたFNNは、衝突滴の本体の輪郭の高さを、発散滴と非発散滴とを区別する重要な特徴として同定した。
論文参考訳（メタデータ） (2022-01-24T09:24:23Z)
Identifying Water Stress in Chickpea Plant by Analyzing Progressive Changes in Shoot Images using Deep Learning [0.41998444721319217]
我々は,視覚的時間パターンを学習し,水ストレスカテゴリーを高い信頼性で予測するLSTM-CNNアーキテクチャを開発した。提案したモデルは,JG-62ではtextbf98.52%,Pusa-372ではtextbf97.78%の天井レベル分類性能,およびチクピー植物データであった。
論文参考訳（メタデータ） (2021-04-16T06:23:19Z)

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。