論文の概要: Automatic inspection of cultural monuments using deep and tensor-based
learning on hyperspectral imagery
- arxiv url: http://arxiv.org/abs/2207.02163v1
- Date: Tue, 5 Jul 2022 16:38:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-06 13:53:05.924457
- Title: Automatic inspection of cultural monuments using deep and tensor-based
learning on hyperspectral imagery
- Title(参考訳): ハイパースペクトル画像を用いた深層・テンソル学習による文化財の自動検査
- Authors: Ioannis N. Tzortzis, Ioannis Rallis, Konstantinos Makantasis,
Anastasios Doulamis, Nikolaos Doulamis, Athanasios Voulodimos
- Abstract要約: 本稿では,文化遺産の資料欠陥を識別・分類するためのランク・ドル・テンソル型学習モデルを提案する。
ユネスコ保護地域における実世界のデータに関する実験結果は,提案手法の優位性を示している。
- 参考スコア(独自算出の注目度): 12.150176109067218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In Cultural Heritage, hyperspectral images are commonly used since they
provide extended information regarding the optical properties of materials.
Thus, the processing of such high-dimensional data becomes challenging from the
perspective of machine learning techniques to be applied. In this paper, we
propose a Rank-$R$ tensor-based learning model to identify and classify
material defects on Cultural Heritage monuments. In contrast to conventional
deep learning approaches, the proposed high order tensor-based learning
demonstrates greater accuracy and robustness against overfitting. Experimental
results on real-world data from UNESCO protected areas indicate the superiority
of the proposed scheme compared to conventional deep learning models.
- Abstract(参考訳): 文化遺産では、材料の光学的性質に関する広範な情報を提供するため、ハイパースペクトル画像が一般的に用いられる。
このように、機械学習技術の適用の観点から、そのような高次元データの処理が困難になる。
本稿では,文化遺産の資料欠陥を識別・分類するためのランク・ドル・テンソル型学習モデルを提案する。
従来のディープラーニング手法とは対照的に,提案した高次テンソルベース学習は,オーバーフィットに対する精度と堅牢性を示す。
UNESCO保護地域の実世界データを用いた実験結果は,従来のディープラーニングモデルと比較して提案手法の優位性を示している。
関連論文リスト
- Impacts of Color and Texture Distortions on Earth Observation Data in
Deep Learning [5.4342762069288115]
土地被覆分類と変化検出はリモートセンシングと地球観測の重要な応用である。
入力EOデータの異なる視覚特性がモデルの予測に与える影響はよく分かっていない。
ランドカバー分類のための複数の最先端セグメンテーションネットワークを用いて実験を行い、色歪みよりも一般的にテクスチャに敏感であることを示す。
論文 参考訳(メタデータ) (2024-03-07T10:25:23Z) - Robust Geometry-Preserving Depth Estimation Using Differentiable
Rendering [93.94371335579321]
我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。
包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。
我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
論文 参考訳(メタデータ) (2023-09-18T12:36:39Z) - A Hierarchical Architecture for Neural Materials [14.359028541596702]
我々は新しいレベルの精度を提供するニューラルな外観モデルを導入する。
インセプションベースのコアネットワーク構造は、複数のスケールで素材の外観をキャプチャする。
入力を周波数空間にエンコードし、勾配に基づく損失を導入し、学習フェーズの進行に適応させる。
論文 参考訳(メタデータ) (2023-07-19T17:00:45Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳(メタデータ) (2022-12-26T13:56:12Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳(メタデータ) (2022-03-07T19:28:39Z) - Tensor Methods in Computer Vision and Deep Learning [120.3881619902096]
テンソル(tensor)は、複数の次元の視覚データを自然に表現できるデータ構造である。
コンピュータビジョンにおけるディープラーニングパラダイムシフトの出現により、テンソルはさらに基本的なものになっている。
本稿では,表現学習と深層学習の文脈において,テンソルとテンソル法を深く,実践的に検討する。
論文 参考訳(メタデータ) (2021-07-07T18:42:45Z) - Learning from scarce information: using synthetic data to classify Roman
fine ware pottery [0.0]
そこで本研究では,モデルがまず,元のオブジェクトの特徴を再現した合成データセット上で訓練されるトランスファー学習手法を提案する。
陶器の図面から複製された特徴を取り入れることで、専門家の知識をプロセスに統合することができた。
この最初の訓練の後、モデルは実際の船の写真からのデータで微調整された。
論文 参考訳(メタデータ) (2021-07-03T10:30:46Z) - Understanding invariance via feedforward inversion of discriminatively
trained classifiers [30.23199531528357]
過去の研究では、出力ログに余計な視覚的詳細が残っていることが判明した。
極めて高い忠実度を再現するフィードフォワードインバージョンモデルを開発する。
私たちのアプローチはBigGANをベースにしており、1ホットクラスのラベルの代わりにロジットのコンディショニングを行います。
論文 参考訳(メタデータ) (2021-03-15T17:56:06Z) - Learning perturbation sets for robust machine learning [97.6757418136662]
我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。
学習した摂動集合の質を定量的かつ質的に測定する。
我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
論文 参考訳(メタデータ) (2020-07-16T16:39:54Z) - Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。
具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。
実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
論文 参考訳(メタデータ) (2020-05-13T04:03:21Z) - LIMP: Learning Latent Shape Representations with Metric Preservation
Priors [16.337713166628944]
我々は,変形可能な3次元形状の潜在表現を学習する上で,メートル法保存の活用が最優先事項であると主張する。
我々の理論的根拠は、トレーニングサンプルだけでは、高忠実な生成モデルを実現するには不十分である、という観察にある。
測地線損失のバックプロパゲーションにおける微分可能な固有距離の導入を初めて実証した。
論文 参考訳(メタデータ) (2020-03-27T08:53:34Z)
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。