論文の概要: Physics Embedded Machine Learning for Electromagnetic Data Imaging
- arxiv url: http://arxiv.org/abs/2207.12607v1
- Date: Tue, 26 Jul 2022 02:10:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 13:23:13.162973
- Title: Physics Embedded Machine Learning for Electromagnetic Data Imaging
- Title（参考訳）: 電磁データイメージングのための物理組込み機械学習
- Authors: Rui Guo, Tianyao Huang, Maokun Li, Haiyang Zhang, Yonina C. Eldar
- Abstract要約: 電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。
機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。
本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
- 参考スコア（独自算出の注目度）: 83.27424953663986
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electromagnetic (EM) imaging is widely applied in sensing for security,
biomedicine, geophysics, and various industries. It is an ill-posed inverse
problem whose solution is usually computationally expensive. Machine learning
(ML) techniques and especially deep learning (DL) show potential in fast and
accurate imaging. However, the high performance of purely data-driven
approaches relies on constructing a training set that is statistically
consistent with practical scenarios, which is often not possible in EM imaging
tasks. Consequently, generalizability becomes a major concern. On the other
hand, physical principles underlie EM phenomena and provide baselines for
current imaging techniques. To benefit from prior knowledge in big data and the
theoretical constraint of physical laws, physics embedded ML methods for EM
imaging have become the focus of a large body of recent work.
This article surveys various schemes to incorporate physics in learning-based
EM imaging. We first introduce background on EM imaging and basic formulations
of the inverse problem. We then focus on three types of strategies combining
physics and ML for linear and nonlinear imaging and discuss their advantages
and limitations. Finally, we conclude with open challenges and possible ways
forward in this fast-developing field. Our aim is to facilitate the study of
intelligent EM imaging methods that will be efficient, interpretable and
controllable.
- Abstract（参考訳）: EMイメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。
逆問題であり、解は通常計算コストがかかる。
機械学習(ML)技術、特にディープラーニング(DL)は、高速で正確なイメージングの可能性を示している。
しかし、純粋にデータ駆動型アプローチの高性能性は、実用的なシナリオと統計的に整合したトレーニングセットの構築に依存しており、EMイメージングタスクではしばしば不可能である。
その結果、一般化は大きな関心事となる。
一方、物理原理はEM現象の基盤となり、現在のイメージング技術の基礎となる。
ビッグデータの事前知識と物理法則の理論的制約の恩恵を受けるため、EMイメージングのための物理埋め込みML法が近年の多くの研究の焦点となっている。
本稿では,学習型EMイメージングに物理を取り入れる様々な手法について検討する。
まず,EMイメージングと逆問題の基本的定式化の背景を紹介する。
次に,線形および非線形イメージングのための物理とmlを組み合わせた3種類の戦略に着目し,その利点と限界について考察する。
最後に、私たちはこの迅速な開発分野において、オープンな課題と可能な方法で締めくくっています。
本研究の目的は,能率,解釈性,制御性を有するインテリジェントEMイメージング手法の研究を促進することである。
関連論文リスト
- Private, Efficient and Scalable Kernel Learning for Medical Image Analysis [1.7999333451993955]
OKRA(Orthonormal K-fRAmes)は、カーネルベースの機械学習のための新しいランダム化符号化ベースのアプローチである。
現在の最先端ソリューションと比較して、スケーラビリティとスピードが大幅に向上します。
論文 参考訳（メタデータ） (2024-10-21T10:03:03Z) - Guess What I Think: Streamlined EEG-to-Image Generation with Latent Diffusion Models [4.933734706786783]
EEGは低コストで非侵襲的でポータブルなニューロイメージング技術である。
EEGは、空間分解能が低く、ノイズやアーティファクトへの感受性が低いため、固有の課題を提示している。
脳波信号による潜伏拡散モデルの条件付けのための制御ネットアダプタに基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-17T19:07:13Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Neural Operator: Is data all you need to model the world? An insight
into the impact of Physics Informed Machine Learning [13.050410285352605]
我々は、データ駆動アプローチが、工学や物理学の問題を解決する従来の手法を補完する方法についての洞察を提供する。
我々は,PDE演算子学習の解演算子を学習するための,新しい,高速な機械学習に基づくアプローチを強調した。
論文 参考訳（メタデータ） (2023-01-30T23:29:33Z) - Physics-Driven Deep Learning for Computational Magnetic Resonance
Imaging [7.404599356384102]
物理駆動型深層学習法は、MRI(Computer magnetic resonance imaging)問題のための強力なツールとして登場した。
本稿では、物理情報を学習型MRI再構成に組み込んだ最近の進歩の概要について述べる。
論文 参考訳（メタデータ） (2022-03-23T06:04:11Z) - Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。
これらのモデルの現在の機能について、精査する。
連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文 参考訳（メタデータ） (2021-11-09T23:48:21Z) - Light-Field Microscopy for optical imaging of neuronal activity: when
model-based methods meet data-driven approaches [28.872219458334587]
ニューロンのネットワークがどのように情報を処理するかを理解することは、現代の神経科学における重要な課題の1つである。
光電場顕微鏡(LFM)は、走査型顕微鏡の一種であり、高速3Dイメージングの特に魅力的な候補である。
本稿では,モデルベースおよびデータ駆動型アプローチに焦点をあて,LFMの最先端計算手法に関する包括的調査に着目する。
論文 参考訳（メタデータ） (2021-10-24T20:58:51Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z)
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。