論文の概要: A Lightweight Transformer for Faster and Robust EBSD Data Collection
- arxiv url: http://arxiv.org/abs/2308.09693v1
- Date: Fri, 18 Aug 2023 17:41:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 12:17:11.941389
- Title: A Lightweight Transformer for Faster and Robust EBSD Data Collection
- Title(参考訳): 高速でロバストなebsdデータ収集のための軽量トランスフォーマー
- Authors: Harry Dong, Sean Donegan, Megna Shah, Yuejie Chi
- Abstract要約: 本稿では,効率的なトランスモデルとプロジェクションアルゴリズムを用いて,3次元EBSDボリュームの欠落スライスを復元する2ステップ手法を提案する。
本モデルでは, 自己スーパービジョンを用いた合成3次元EBSDデータのみを用いて学習し, 既存の手法と比較して, 実際の3次元EBSDデータの回復精度を向上する。
- 参考スコア(独自算出の注目度): 24.60603310894048
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Three dimensional electron back-scattered diffraction (EBSD) microscopy is a
critical tool in many applications in materials science, yet its data quality
can fluctuate greatly during the arduous collection process, particularly via
serial-sectioning. Fortunately, 3D EBSD data is inherently sequential, opening
up the opportunity to use transformers, state-of-the-art deep learning
architectures that have made breakthroughs in a plethora of domains, for data
processing and recovery. To be more robust to errors and accelerate this 3D
EBSD data collection, we introduce a two step method that recovers missing
slices in an 3D EBSD volume, using an efficient transformer model and a
projection algorithm to process the transformer's outputs. Overcoming the
computational and practical hurdles of deep learning with scarce high
dimensional data, we train this model using only synthetic 3D EBSD data with
self-supervision and obtain superior recovery accuracy on real 3D EBSD data,
compared to existing methods.
- Abstract(参考訳): 三次元電子後方散乱回折(EBSD)顕微鏡は材料科学における多くの応用において重要なツールであるが、そのデータ品質は厳しい収集過程、特に連続切断によって大きく変動する。
幸いなことに、3D EBSDデータは本質的にシーケンシャルであり、データ処理とリカバリのために、多くのドメインで突破した、最先端のディープラーニングアーキテクチャであるトランスフォーマーを使用する機会を開く。
この3d ebsdデータ収集をより堅牢にし、この3d ebsdデータ収集を高速化するために、効率的なトランスフォーマーモデルとプロジェクションアルゴリズムを用いて、3d ebsdボリュームの欠落スライスを復元する2段階の手法を導入する。
高次元データが少ない深層学習の計算と実践のハードルを克服し, 自己スーパービジョン付き合成3次元EBSDデータのみを用いてこのモデルを訓練し, 既存の手法と比較して, 実際の3次元EBSDデータの回復精度を向上する。
関連論文リスト
- WiLoR: End-to-end 3D Hand Localization and Reconstruction in-the-wild [53.288327629960364]
野生における効率的なマルチハンド再構築のためのデータ駆動パイプラインを提案する。
提案するパイプラインは、リアルタイム完全畳み込みハンドローカライゼーションと、高忠実度トランスフォーマーに基づく3Dハンド再構成モデルという2つのコンポーネントで構成されている。
提案手法は, 一般的な2次元および3次元のベンチマークにおいて, 効率と精度の両方において, 従来の手法よりも優れていた。
論文 参考訳(メタデータ) (2024-09-18T18:46:51Z) - DIRECT-3D: Learning Direct Text-to-3D Generation on Massive Noisy 3D Data [50.164670363633704]
テキストプロンプトから高品質な3Dアセットを作成するための拡散型3D生成モデルであるDIRECT-3Dを提案する。
我々のモデルは、広範に騒々しく不整合な3D資産で直接訓練されている。
単一クラス生成とテキスト・ツー・3D生成の両方で最先端の性能を実現する。
論文 参考訳(メタデータ) (2024-06-06T17:58:15Z) - DiffTF++: 3D-aware Diffusion Transformer for Large-Vocabulary 3D Generation [53.20147419879056]
拡散型フィードフォワードフレームワークを導入し,単一モデルで課題に対処する。
TransFormerを用いた3D対応拡散モデルを構築し,より強力な3D生成,すなわちDiffTF++を提案する。
ShapeNetとOmniObject3Dの実験は、提案したモジュールの有効性を確実に実証している。
論文 参考訳(メタデータ) (2024-05-13T17:59:51Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-11-07T23:46:41Z) - Q-RBSA: High-Resolution 3D EBSD Map Generation Using An Efficient
Quaternion Transformer Network [7.894130875150628]
本稿では3次元EBSDマップの収集時間とコストを削減するための物理ベースの効率的なディープラーニングフレームワークを提案する。
本フレームワークでは,細かな分割EBSDマップから高解像度の3D EBSDマップを生成するために,第4次残差ブロック自己アテンションネットワーク(QRBSA)を用いている。
論文 参考訳(メタデータ) (2023-03-19T17:34:58Z) - Fast mesh denoising with data driven normal filtering using deep
variational autoencoders [6.25118865553438]
本研究では,高密度3次元走査型産業モデルに対する高速で頑健な復調法を提案する。
提案手法は条件付き変分オートエンコーダを用いて顔正規化を効果的にフィルタする。
1e4面以上の3Dモデルでは、提示されたパイプラインは等価な再構成誤差を持つメソッドの2倍高速である。
論文 参考訳(メタデータ) (2021-11-24T20:25:15Z) - An End-to-End Transformer Model for 3D Object Detection [39.86969344736215]
3DETRは3Dポイントクラウドのためのエンドツーエンドのトランスフォーマーベースのオブジェクト検出モデルである。
3DETRは、ScanNetV2データセットを9.5%向上させ、十分に確立され、高度に最適化されたVotetNetベースラインを上回っている。
論文 参考訳(メタデータ) (2021-09-16T17:57:37Z) - InversionNet3D: Efficient and Scalable Learning for 3D Full Waveform
Inversion [14.574636791985968]
本稿では,3次元FWIのための効率よくスケーラブルなエンコーダデコーダネットワークであるInversionNet3Dを提案する。
提案手法では,エンコーダ内のグループ畳み込みを用いて,複数のソースから情報を得るための効果的な階層を構築する。
3D Kimberlinaデータセットの実験は、InversionNet3Dがベースラインと比較して計算コストとメモリフットプリントを削減できることを示しています。
論文 参考訳(メタデータ) (2021-03-25T22:24:57Z) - Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。
従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。
我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。
これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文 参考訳(メタデータ) (2020-08-31T17:10:48Z) - Exemplar Fine-Tuning for 3D Human Model Fitting Towards In-the-Wild 3D
Human Pose Estimation [107.07047303858664]
3次元の地平線アノテーションを持つ大規模な人的データセットは、野生では入手が困難である。
既存の2Dデータセットを高品質な3Dポーズマッチングで拡張することで、この問題に対処する。
結果として得られるアノテーションは、3Dのプロシージャネットワークをスクラッチからトレーニングするのに十分である。
論文 参考訳(メタデータ) (2020-04-07T20:21:18Z)
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。