論文の概要: Topology Estimation of Simulated 4D Image Data by Combining Downscaling
and Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2306.14442v1
- Date: Mon, 26 Jun 2023 06:13:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 14:54:44.159183
- Title: Topology Estimation of Simulated 4D Image Data by Combining Downscaling
and Convolutional Neural Networks
- Title(参考訳): ダウンスケーリングと畳み込みニューラルネットワークを用いたシミュレーション4次元画像データのトポロジー推定
- Authors: Khalil Mathieu Hannouch and Stephan Chalup
- Abstract要約: 本研究では,大規模な4次元画像型データのベッチ数を決定することを目的とする。
畳み込みニューラルネットワークをトレーニングする前に、データにダウンスケーリング手法を適用することで、これらの問題を回避できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Four-dimensional image-type data can quickly become prohibitively large, and
it may not be feasible to directly apply methods, such as persistent homology
or convolutional neural networks, to determine the topological characteristics
of these data because they can encounter complexity issues. This study aims to
determine the Betti numbers of large four-dimensional image-type data. The
experiments use synthetic data, and demonstrate that it is possible to
circumvent these issues by applying downscaling methods to the data prior to
training a convolutional neural network, even when persistent homology software
indicates that downscaling can significantly alter the homology of the training
data. When provided with downscaled test data, the neural network can estimate
the Betti numbers of the original samples with reasonable accuracy.
- Abstract(参考訳): 4次元画像型データは、急速に大きくなり、永続的ホモロジーや畳み込みニューラルネットワークなどの手法を直接適用して、複雑さの問題に直面する可能性があるため、これらのデータのトポロジカル特性を決定することは不可能かもしれない。
本研究では,4次元画像型データのベッチ数を決定することを目的とした。
この実験は、合成データを用いて、畳み込みニューラルネットワークをトレーニングする前のデータにダウンスケーリング法を適用することでこれらの問題を回避できることを示し、永続的ホモロジーソフトウェアは、ダウンスケーリングがトレーニングデータのホモロジーを著しく変更できることを示している。
ダウンスケールのテストデータを提供すると、ニューラルネットワークは元のサンプルのベッチ数を妥当な精度で推定することができる。
関連論文リスト
- Residual Random Neural Networks [0.0]
ランダムな重みを持つ単層フィードフォワードニューラルネットワークは、ニューラルネットワークの文献の中で繰り返されるモチーフである。
隠れたニューロンの数がデータサンプルの次元と等しくない場合でも,優れた分類結果が得られることを示す。
論文 参考訳(メタデータ) (2024-10-25T22:00:11Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳(メタデータ) (2024-01-18T16:59:27Z) - Synthetic Data Generation and Deep Learning for the Topological Analysis
of 3D Data [0.0]
この研究は、深層学習を用いて、3Dでスパースで無秩序な点雲のシーンのトポロジーを推定する。
この実験結果は、洗練された合成データ生成の助けを借りて、ニューラルネットワークがセグメンテーションに基づくトポロジ的データ解析を行うことができるという仮説を支持する。
論文 参考訳(メタデータ) (2023-09-29T04:37:35Z) - An unfolding method based on conditional Invertible Neural Networks
(cINN) using iterative training [0.0]
非可逆ニューラルネットワーク(INN)のような生成ネットワークは確率的展開を可能にする。
模擬トレーニングサンプルとデータ間のずれを調整した展開のための反復条件INN(IcINN)を導入する。
論文 参考訳(メタデータ) (2022-12-16T19:00:05Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-10-20T11:03:21Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Dive into Layers: Neural Network Capacity Bounding using Algebraic
Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。
入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。
実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文 参考訳(メタデータ) (2021-09-03T11:45:51Z) - An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。
従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文 参考訳(メタデータ) (2021-03-27T04:47:59Z) - Prediction of Object Geometry from Acoustic Scattering Using
Convolutional Neural Networks [8.067201256886733]
本研究は,畳み込みニューラルネットワークを訓練することにより,散乱特徴から物体形状を推定することを提案する。
データ劣化に対する我々のアプローチの堅牢性は、データセットを用いてトレーニングされたネットワークの性能を比較して評価する。
論文 参考訳(メタデータ) (2020-10-21T00:51:14Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳(メタデータ) (2020-05-20T13:30:49Z)
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。