論文の概要: Convolution Neural Network based Mode Decomposition for Degenerated
Modes via Multiple Images from Polarizers
- arxiv url: http://arxiv.org/abs/2207.03489v1
- Date: Fri, 8 Jul 2022 03:11:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-11 13:29:58.221035
- Title: Convolution Neural Network based Mode Decomposition for Degenerated
Modes via Multiple Images from Polarizers
- Title（参考訳）: 畳み込みニューラルネットワークによる偏光子からの複数画像によるデジェネレーションモードの分解
- Authors: Hyuntai Kim
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は画像訓練やモード係数の予測に応用されている。
4倍の$LP_11$シリーズが分解対象となっている。
CNNモデルは3、4、7の深さを持つ10,000の3次元画像で訓練されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, a mode decomposition (MD) method for degenerated modes has
been studied. Convolution neural network (CNN) has been applied for image
training and predicting the mode coefficients. Four-fold degenerated $LP_{11}$
series has been the target to be decomposed. Multiple images are regarded as an
input to decompose the degenerate modes. Total of seven different images,
including the full original near-field image, and images after linear
polarizers of four directions (0$^\circ$, 45$^\circ$, 90$^\circ$, and
135$^\circ$), and images after two circular polarizers (right-handed and
left-handed) has been considered for training, validation, and test. The output
label of the model has been chosen as the real and imaginary components of the
mode coefficient, and the loss function has been selected to be the
root-mean-square (RMS) of the labels. The RMS and mean-absolute-error (MAE) of
the label, intensity, phase, and field correlation between the actual and
predicted values have been selected to be the metrics to evaluate the CNN
model. The CNN model has been trained with 100,000 three-dimensional images
with depths of three, four, and seven. The performance of the trained model was
evaluated via 10,000 test samples with four sets of images - images after three
linear polarizers (0$^\circ$, 45$^\circ$, 90$^\circ$) and image after
right-handed circular polarizer - showed 0.0634 of label RMS, 0.0292 of
intensity RMS, 0.1867 rad of phase MAE, and 0.9978 of average field
correlation. The performance of 4 image sets showed at least 50.68\% of
performance enhancement compared to models considering only images after linear
polarizers.
- Abstract（参考訳）: 本稿では,デジェネレーションモードのモード分解(MD)法について検討した。
畳み込みニューラルネットワーク(CNN)は画像訓練やモード係数の予測に応用されている。
4倍の縮退した$lp_{11}$シリーズが、分解対象となっている。
複数の画像は退化モードを分解する入力と見なされる。
フルオリジナル近接場画像を含む7つの画像と、4方向の直線偏光子(0$^\circ$, 45$^\circ$, 90$^\circ$, 135$^\circ$)の後の画像と、2つの円偏光子(右利きと左利き)の後の画像が訓練、検証、テストのために検討されている。
モデルの出力ラベルはモード係数の実数および虚数成分として選ばれ、損失関数はラベルのルート平均2乗(rms)として選択されている。
cnnモデルを評価する指標として,実値と予測値のラベル,強度,位相,フィールド相関のrmsと平均絶対誤差(mae)を選定した。
CNNモデルは、深さ3、4、7の10万の3次元画像で訓練されている。
実験モデルの性能は, 3つの線形偏光子 (0$^\circ$, 45$^\circ$, 90$^\circ$) と右利き円偏光子 (0.0634, 強度RMS0.0292, 位相MAE0.1867, 平均場相関0.9978 の4つの画像からなる1万検体を用いて評価した。
4つの画像集合のパフォーマンスは、線形偏光子後の画像のみを考慮したモデルと比較して少なくとも50.68倍の性能向上を示した。
関連論文リスト
- Direct Zernike Coefficient Prediction from Point Spread Functions and Extended Images using Deep Learning [36.136619420474766]
既存の適応光学系は、収差を補正し、画像を改善するために反復探索アルゴリズムに依存している。
本研究は、光収差を特徴付ける畳み込みニューラルネットワークの応用を実証する。
論文 参考訳（メタデータ） (2024-04-23T17:03:53Z) - Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。
新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。
増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
論文 参考訳（メタデータ） (2023-08-10T12:53:30Z) - Generative Multiplane Neural Radiance for 3D-Aware Image Generation [102.15322193381617]
本稿では,複数のターゲットビューに対して連続した3次元高解像度画像を効率よく生成する手法を提案する。
我々のGMNRモデルは、単一のV100上で17.6FPSの1024×1024ピクセルの3D認識画像を生成する。
論文 参考訳（メタデータ） (2023-04-03T17:41:20Z) - AI pipeline for accurate retinal layer segmentation using OCT 3D images [3.938455123895825]
いくつかの古典的およびAIベースのアルゴリズムが組み合わせてテストされ、動物イメージングシステムからのデータとの互換性を確認している。
単純で実装可能な解析方程式は、平均ピクセル値の1%インクリメントで輝度操作に有効であることが示されている。
厚み推定処理は、手動の注釈付き標準データと比較して6%の誤差を有する。
論文 参考訳（メタデータ） (2023-02-15T17:46:32Z) - Self-Supervised Learning based on Heat Equation [75.61974935666446]
本稿では,熱方程式を高次元特徴空間に拡張した自己教師型学習の新たな視点を提案する。
我々は x と y の軸を 2 つの一階線型微分方程式として分割することで単純化する。
これにより、QB-Heatと呼ばれる非常に単純なマスク付き画像モデリング(MIM)手法が導入された。
論文 参考訳（メタデータ） (2022-11-23T18:59:59Z) - Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。
低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。
既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:45:08Z) - dp-GAN : Alleviating Mode Collapse in GAN via Diversity Penalty Module [24.857322699576997]
我々は,GANのモード崩壊を軽減するために,多様性ペナルティ(dp)と呼ばれるプラグ可能なブロックを導入する。
特徴空間における画像対の類似性、すなわち2つの潜在ベクトルが異なる場合、生成元に異なる特徴を持つ2つの画像を生成するように強制する。
論文 参考訳（メタデータ） (2021-08-05T03:41:14Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Complex Network Construction for Interactive Image Segmentation using
Particle Competition and Cooperation: A New Approach [0.0]
ネットワーク構築段階では、特徴集合における各要素の重要性を定義するために重みベクトルが必要である。
本稿では,ネットワーク構築フェーズの変更による重みベクトルの除去を提案する。
論文 参考訳（メタデータ） (2020-07-03T11:42:07Z) - Locally Masked Convolution for Autoregressive Models [107.4635841204146]
LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。
我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
論文 参考訳（メタデータ） (2020-06-22T17:59:07Z) - SUR-FeatNet: Predicting the Satisfied User Ratio Curvefor Image
Compression with Deep Feature Learning [15.2348952809434]
本研究では,SUR曲線の予測に初となる深層学習手法を提案する。
最適なパラメトリックモデルを選択するために、最大推定法とアンダーソン・ダーリング試験を適用する方法を示す。
私たちのディープラーニングアプローチは、シアムの畳み込みニューラルネットワーク、トランスファーラーニング、ディープフィーチャーラーニングに依存しています。
論文 参考訳（メタデータ） (2020-01-07T12:37:07Z)
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。