論文の概要: Determining HEDP Foams' Quality with Multi-View Deep Learning Classification

• arxiv url: http://arxiv.org/abs/2208.07196v1
• Date: Wed, 10 Aug 2022 16:41:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-28 22:09:27.424346
• Title: Determining HEDP Foams' Quality with Multi-View Deep Learning Classification
• Title（参考訳）: 多視点深層学習分類によるHEDPフォームの品質決定
• Authors: Nadav Schneider, Matan Rusanovsky, Raz Gvishi and Gal Oren
• Abstract要約: 発泡の一般的な問題は、欠陥のある発泡物の生成である。 本稿では,物理学者の視点を模倣した,最先端の多視点深層学習分類モデルを提案する。 本モデルでは, 上面および下面の発泡面の86%, セット全体の82%の精度が得られた。
• 参考スコア（独自算出の注目度）: 0.5448283690603357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High energy density physics (HEDP) experiments commonly involve a dynamic wave-front propagating inside a low-density foam. This effect affects its density and hence, its transparency. A common problem in foam production is the creation of defective foams. Accurate information on their dimension and homogeneity is required to classify the foams' quality. Therefore, those parameters are being characterized using a 3D-measuring laser confocal microscope. For each foam, five images are taken: two 2D images representing the top and bottom surface foam planes and three images of side cross-sections from 3D scannings. An expert has to do the complicated, harsh, and exhausting work of manually classifying the foam's quality through the image set and only then determine whether the foam can be used in experiments or not. Currently, quality has two binary levels of normal vs. defective. At the same time, experts are commonly required to classify a sub-class of normal-defective, i.e., foams that are defective but might be sufficient for the needed experiment. This sub-class is problematic due to inconclusive judgment that is primarily intuitive. In this work, we present a novel state-of-the-art multi-view deep learning classification model that mimics the physicist's perspective by automatically determining the foams' quality classification and thus aids the expert. Our model achieved 86\% accuracy on upper and lower surface foam planes and 82\% on the entire set, suggesting interesting heuristics to the problem. A significant added value in this work is the ability to regress the foam quality instead of binary deduction and even explain the decision visually. The source code used in this work, as well as other relevant sources, are available at: https://github.com/Scientific-Computing-Lab-NRCN/Multi-View-Foams.git
• Abstract（参考訳）: 高エネルギー密度物理(HEDP)実験は、一般的に低密度発泡体の内部を伝播する動的波面を包含する。 この効果は密度に影響し、透明性に影響を及ぼす。 発泡の一般的な問題は、欠陥のある発泡物の生成である。 泡の質を分類するには,その寸法と均一性に関する正確な情報が必要である。 したがって、これらのパラメータは3D計測レーザー共焦点顕微鏡を用いて特徴づけられる。 各発泡体について、上面と下面の発泡面を表す2D画像と3Dスキャンによる側面断面の3D画像の5つの画像が撮影される。 専門家は、画像セットを通して泡の質を手作業で分類し、実験で泡が使えるかどうかを判断する、複雑で厳しい、疲れた作業をしなければならない。 現在、品質は正常と欠陥の2つのバイナリレベルを持っています。 同時に、専門家は一般的に通常の欠陥のサブクラス、すなわち欠陥があるが必要な実験には十分かもしれない泡を分類する必要がある。 このサブクラスは、主に直感的な不確定な判断のために問題となる。 本研究では,フォームの品質分類を自動的に決定することで,物理学者の視点を模倣する,最先端の多視点深層学習分類モデルを提案する。 本モデルは, 上面および下面の発泡面において86\%, セット全体で82\%の精度を達成し, この問題に対する興味深いヒューリスティックスを示唆した。 この研究で重要な付加価値は、二項推論ではなく発泡質を後退させ、視覚的に決定を説明する能力である。 この研究で使われているソースコードと関連するソースは、https://github.com/scientific-computing-lab-nrcn/multi-view-foams.gitで入手できる。

関連論文リスト

• Robust 3D Point Clouds Classification based on Declarative Defenders [18.51700931775295]
  3Dポイントの雲は非構造的でスパースであり、2Dイメージは構造的で密度が高い。 本稿では,3次元点雲を2次元画像にマッピングする3つの異なるアルゴリズムについて検討する。 提案手法は敵攻撃に対する高い精度と堅牢性を示す。
  論文  参考訳（メタデータ） (2024-10-13T01:32:38Z)
• Multistable Shape from Shading Emerges from Patch Diffusion [17.090405682103167]
  単一シェーディング画像から形状のマルチモーダル分布を再構成するモデルを提案する。 このモデルから,人間がマルチスタブルであるとして経験するあいまいなテスト画像に対して,マルチスタブルな形状説明が現れることを示す。 これは、3D形状の知覚のための新しいアーキテクチャを刺激し、より効率的で、人間の体験に合わせたものになるかもしれない。
  論文  参考訳（メタデータ） (2024-05-23T13:15:24Z)
• MaterialSeg3D: Segmenting Dense Materials from 2D Priors for 3D Assets [63.284244910964475]
  本稿では,2次元のセマンティクスから基礎となる物質を推定する3次元アセット素材生成フレームワークを提案する。 このような先行モデルに基づいて,材料を三次元空間で解析する機構を考案する。
  論文  参考訳（メタデータ） (2024-04-22T07:00:17Z)
• DiffMAC: Diffusion Manifold Hallucination Correction for High Generalization Blind Face Restoration [62.44659039265439]
  視覚障害者の視力回復を支援するための拡散情報拡散フレームワークを提案する。 DiffMACは、多種多様な劣化シーンと異種ドメインにおいて、高度な顔の復元を実現する。 結果は,最先端手法よりもDiffMACの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-15T08:44:15Z)
• UIEDP:Underwater Image Enhancement with Diffusion Prior [20.349103580702028]
  水中画像強調(UIE)は,低品質水中画像から鮮明な画像を生成することを目的としている。 劣化した水中の入力に条件付きクリアな画像の後方分布サンプリングプロセスとして,UIEを取り扱う新しいフレームワークであるUIEDPを提案する。
  論文  参考訳（メタデータ） (2023-12-11T09:24:52Z)
• PointHPS: Cascaded 3D Human Pose and Shape Estimation from Point Clouds [99.60575439926963]
  本稿では,実環境で捉えた点雲から正確な3次元HPSを実現するための基本的フレームワークであるPointHPSを提案する。 PointHPSは、カスケードアーキテクチャを通じてポイント機能を反復的に洗練する。 広範囲な実験により、ポイントHPSは強力な特徴抽出と処理方式を持ち、State-of-the-Art法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-28T11:10:14Z)
• 3D shape reconstruction of semi-transparent worms [0.950214811819847]
  3D形状の再構成は通常、被写体の複数の画像に物体の特徴やテクスチャを特定する必要がある。 ここでは、画像と比較するために、適応的ぼかしと透明度で候補形状を描画することで、これらの課題を克服する。 本研究は,線虫類の細いカエノルハブディティ・エレガンスを,生物学的にインフォームドされた制約や規則化を自然に許容する内在的パラメトリションを用いて3次元曲線としてモデル化する。
  論文  参考訳（メタデータ） (2023-04-28T13:29:36Z)
• Monocular 3D Object Detection with Depth from Motion [74.29588921594853]
  我々は、正確な物体深度推定と検出にカメラエゴモーションを利用する。 我々のフレームワークはDfM(Depth from Motion)と呼ばれ、2D画像の特徴を3D空間に持ち上げて3Dオブジェクトを検出する。 我々のフレームワークは、KITTIベンチマークにおいて最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-07-26T15:48:46Z)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• Synthetic Training for Monocular Human Mesh Recovery [100.38109761268639]
  本稿では,RGB画像と大規模に異なる複数の身体部位の3次元メッシュを推定することを目的とする。 主な課題は、2D画像のすべての身体部分の3Dアノテーションを完備するトレーニングデータがないことである。 本稿では,D2S(Deep-to-scale)投影法を提案する。
  論文  参考訳（メタデータ） (2020-10-27T03:31:35Z)

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。