論文の概要: IDLat: An Importance-Driven Latent Generation Method for Scientific Data

• arxiv url: http://arxiv.org/abs/2208.03345v1
• Date: Fri, 5 Aug 2022 18:23:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 14:12:32.640954
• Title: IDLat: An Importance-Driven Latent Generation Method for Scientific Data
• Title（参考訳）: IDLat: 科学データに対する重要性駆動型遅延生成手法
• Authors: Jingyi Shen, Haoyu Li, Jiayi Xu, Ayan Biswas, and Han-Wei Shen
• Abstract要約: 本稿では,領域的関心を持つ科学的データ可視化と分析を容易にするために,新しい重要性駆動型潜伏表現を提案する。 空間的重要度マップを用いて、様々な科学的関心を表現し、特徴変換ネットワークの入力として、潜在世代を導く。
• 参考スコア（独自算出の注目度）: 12.93181915755184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning based latent representations have been widely used for numerous scientific visualization applications such as isosurface similarity analysis, volume rendering, flow field synthesis, and data reduction, just to name a few. However, existing latent representations are mostly generated from raw data in an unsupervised manner, which makes it difficult to incorporate domain interest to control the size of the latent representations and the quality of the reconstructed data. In this paper, we present a novel importance-driven latent representation to facilitate domain-interest-guided scientific data visualization and analysis. We utilize spatial importance maps to represent various scientific interests and take them as the input to a feature transformation network to guide latent generation. We further reduced the latent size by a lossless entropy encoding algorithm trained together with the autoencoder, improving the storage and memory efficiency. We qualitatively and quantitatively evaluate the effectiveness and efficiency of latent representations generated by our method with data from multiple scientific visualization applications.
• Abstract（参考訳）: 深層学習に基づく潜在表現は、等表面類似性解析、ボリュームレンダリング、フロー場合成、データ還元など、多くの科学的視覚化用途に広く用いられている。 しかし、既存の潜在表現は、主に教師なしの方法で生データから生成されるため、潜在表現のサイズと再構成されたデータの品質を制御するためにドメインの関心を組み込むことは困難である。 本稿では,領域中心の科学的データ可視化と分析を容易にするために,新しい重要性駆動型潜在表現を提案する。 空間的重要度マップを用いて、様々な科学的関心を表現し、特徴変換ネットワークの入力として、潜在世代を導く。 さらに、オートエンコーダと共に訓練されたロスレスエントロピー符号化アルゴリズムにより、潜在サイズを削減し、ストレージとメモリ効率を改善した。 複数の科学的可視化アプリケーションから得られたデータを用いて,本手法による潜在表現の有効性と効率を質的に定量的に評価した。

関連論文リスト

• Simultaneous Dimensionality Reduction for Extracting Useful Representations of Large Empirical Multimodal Datasets [0.0]
  我々は,高次元データから低次元記述を得る手段として,次元減少の科学に焦点をあてる。 我々は,システム内の複雑な相互作用や高次元力学系など,従来の仮定に反する実世界のデータによって引き起こされる課題に対処する。
  論文  参考訳（メタデータ） (2024-10-23T21:27:40Z)
• A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
  コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。 本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。 背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
  論文  参考訳（メタデータ） (2024-08-01T07:40:00Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Discrete transforms of quantized persistence diagrams [0.5249805590164902]
  永続化ダイアグラムをベクトル化する新奇でシンプルな方法Qupidを紹介する。 主要な特徴は、永続化ダイアグラムの対角線付近に含まれる情報を強調するログスケールグリッドの選択である。 我々はQupidの詳細な実験分析を行い、本手法の単純さは計算コストを極端に低くすることを示した。
  論文  参考訳（メタデータ） (2023-12-28T16:11:11Z)
• MDFL: Multi-domain Diffusion-driven Feature Learning [19.298491870280213]
  マルチドメイン拡散駆動型特徴学習ネットワーク(MDFL)を提案する。 MDFLはモデルが本当に重視する効果的な情報領域を再定義します。 MDFLは高次元データの特徴抽出性能を著しく向上することを示した。
  論文  参考訳（メタデータ） (2023-11-16T02:55:21Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• TMHOI: Translational Model for Human-Object Interaction Detection [18.804647133922195]
  人-物間相互作用(HOI)を検出するための革新的なグラフベースアプローチを提案する。 本手法は,空間的知識と意味的知識を統合することで,HOIの感情表現を効果的に捉える。 我々のアプローチは、既存の最先端のグラフベースの手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2023-03-07T21:52:10Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Evidential Sparsification of Multimodal Latent Spaces in Conditional Variational Autoencoders [63.46738617561255]
  訓練された条件付き変分オートエンコーダの離散潜時空間をスパース化する問題を考察する。 顕在的理論を用いて、特定の入力条件から直接証拠を受け取る潜在クラスを特定し、そうでないクラスをフィルタリングする。 画像生成や人間の行動予測などの多様なタスクの実験により,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-19T01:27:21Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。