論文の概要: Multilevel Robustness for 2D Vector Field Feature Tracking, Selection, and Comparison

• arxiv url: http://arxiv.org/abs/2209.11708v1
• Date: Mon, 19 Sep 2022 15:22:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 23:03:56.466827
• Title: Multilevel Robustness for 2D Vector Field Feature Tracking, Selection, and Comparison
• Title（参考訳）: 2次元ベクトル場特徴追跡・選択・比較のための多レベルロバスト性
• Authors: Lin Yan, Paul Aaron Ullrich, Luke P. Van Roekel, Bei Wang, Hanqi Guo
• Abstract要約: 臨界点の構造的安定性を定量化するために、ロバストネスという位相論的概念が導入された。 2次元時間変化ベクトル場の研究のための多レベルロバストネスフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.600241676512373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Critical point tracking is a core topic in scientific visualization for understanding the dynamic behavior of time-varying vector field data. The topological notion of robustness has been introduced recently to quantify the structural stability of critical points, that is, the robustness of a critical point is the minimum amount of perturbation to the vector field necessary to cancel it. A theoretical basis has been established previously that relates critical point tracking with the notion of robustness, in particular, critical points could be tracked based on their closeness in stability, measured by robustness, instead of just distance proximities within the domain. However, in practice, the computation of classic robustness may produce artifacts when a critical point is close to the boundary of the domain; thus, we do not have a complete picture of the vector field behavior within its local neighborhood. To alleviate these issues, we introduce a multilevel robustness framework for the study of 2D time-varying vector fields. We compute the robustness of critical points across varying neighborhoods to capture the multiscale nature of the data and to mitigate the boundary effect suffered by the classic robustness computation. We demonstrate via experiments that such a new notion of robustness can be combined seamlessly with existing feature tracking algorithms to improve the visual interpretability of vector fields in terms of feature tracking, selection, and comparison for large-scale scientific simulations. We observe, for the first time, that the minimum multilevel robustness is highly correlated with physical quantities used by domain scientists in studying a real-world tropical cyclone dataset. Such observation helps to increase the physical interpretability of robustness.
• Abstract（参考訳）: 臨界点追跡(Critical Point Tracking)は、時間変化ベクターフィールドデータの動的挙動を理解する科学的可視化における中心的なトピックである。 位相的ロバスト性の概念は、最近臨界点の構造的安定性を定量化するために導入された、すなわち、臨界点のロバスト性は、それを取り消すのに必要なベクトル場に対する最小の摂動量である。 臨界点追跡とロバスト性の概念を関連付ける理論的な基礎が以前に確立されており、特に臨界点は、領域内の距離公理ではなく、ロバスト性によって測定される安定性の近さに基づいて追跡することができる。 しかし、実際には、古典的堅牢性の計算は、臨界点が領域の境界に近いときにアーティファクトを生成する可能性があるため、局所近傍におけるベクトル場挙動の完全な図面は持っていない。 これらの問題を解決するために,2次元時変ベクトル場の研究のための多レベルロバストネスフレームワークを提案する。 種々の近傍における臨界点のロバスト性を計算し、データのマルチスケールな性質を捉え、古典的なロバストネス計算による境界効果を軽減する。 実験により, 既存の特徴追跡アルゴリズムとシームレスに組み合わせることで, 特徴追跡, 選択, および大規模科学シミュレーションにおける比較の観点から, ベクトル場の可視性を向上させることを実証した。 実世界のトロピカルサイクロンデータセットの研究において、ドメイン科学者が使用する物理量と、最小のマルチレベルロバスト性は高い相関性を持つことを初めて観測した。 このような観察は、ロバスト性の物理的解釈性を高めるのに役立つ。

関連論文リスト

• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• TROPHY: A Topologically Robust Physics-Informed Tracking Framework for Tropical Cyclones [4.650202794545353]
  本稿では,熱帯サイクロン追跡のためのトポロジカル・ロバストな物理インフォームト・トラッキング・フレームワーク(TROPHY)を提案する。 プリプロセッシングにおいて,短寿命で安定性の低い臨界点の90%をフィルタする物理インフォームド特徴選択法を提案する。 TROPHYをERA5の再解析データから30年間の2次元風洞に適用し,多数のTCトラックを生成する。
  論文  参考訳（メタデータ） (2023-07-28T00:44:55Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Structured Optimal Variational Inference for Dynamic Latent Space Models [16.531262817315696]
  動的ネットワークの潜在空間モデルについて検討し、その目的は、ペアの内積と潜在位置のインターセプトを推定することである。 後部推論と計算スケーラビリティのバランスをとるために、構造的平均場変動推論フレームワークを検討する。
  論文  参考訳（メタデータ） (2022-09-29T22:10:42Z)
• Robust Topological Inference in the Presence of Outliers [18.6112824677157]
  コンパクト集合への距離関数は、位相データ解析のパラダイムにおいて重要な役割を果たす。 ハウスドルフ距離における摂動に対する安定性にもかかわらず、永続ホモロジーは外れ値に対して非常に敏感である。 距離関数(textsfMoM Dist$)の$textitmedian-of-means$変種を提案し、その統計特性を確立する。
  論文  参考訳（メタデータ） (2022-06-03T19:45:43Z)
• Continuity-Discrimination Convolutional Neural Network for Visual Object Tracking [150.51667609413312]
  本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。 この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。 不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:35:03Z)
• Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
  我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。 本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-04-07T05:42:11Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Robust Persistence Diagrams using Reproducing Kernels [15.772439913138161]
  我々は,カーネルを用いて構築した高レベル密度推定器のフィルタから,頑健な永続性図を構築するためのフレームワークを開発する。 本稿では,ベンチマークデータセットにおける提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-06-17T17:16:52Z)
• High-Dimensional Robust Mean Estimation via Gradient Descent [73.61354272612752]
  一定対向分数の存在下でのロバスト平均推定の問題は勾配降下によって解けることを示す。 我々の研究は、近辺の非補題推定とロバスト統計の間の興味深い関係を確立する。
  論文  参考訳（メタデータ） (2020-05-04T10:48:04Z)

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。