論文の概要: Flashlight Search Medial Axis: A Pixel-Free Pore-Network Extraction
Algorithm
- arxiv url: http://arxiv.org/abs/2308.10990v1
- Date: Sat, 5 Aug 2023 11:37:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-27 05:08:06.092699
- Title: Flashlight Search Medial Axis: A Pixel-Free Pore-Network Extraction
Algorithm
- Title（参考訳）: Flashlight Search Medial Axis: ピクセルフリーの細孔ネットワーク抽出アルゴリズム
- Authors: Jie Liu, Tao Zhang, Shuyu Sun
- Abstract要約: 細孔ネットワークモデル(PNM)は、過去数十年間、多孔質媒体の流動の研究において重要なツールとなっている。
従来の細孔ネットワーク抽出法はピクセルに基づいており、画質の高い画像を必要とする。
ここでは,連続空間における細孔ネットワーク抽出のために,フラッシュライト探索媒介軸 (FSMA) アルゴリズムと呼ばれる画素フリーの手法を提案する。
- 参考スコア（独自算出の注目度）: 5.374671116882384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pore-network models (PNMs) have become an important tool in the study of
fluid flow in porous media over the last few decades, and the accuracy of their
results highly depends on the extraction of pore networks. Traditional methods
of pore-network extraction are based on pixels and require images with high
quality. Here, a pixel-free method called the flashlight search medial axis
(FSMA) algorithm is proposed for pore-network extraction in a continuous space.
The search domain in a two-dimensional space is a line, whereas a surface
domain is searched in a three-dimensional scenario. Thus, the FSMA algorithm
follows the dimensionality reduction idea; the medial axis can be identified
using only a few points instead of calculating every point in the void space.
In this way, computational complexity of this method is greatly reduced
compared to that of traditional pixel-based extraction methods, thus enabling
large-scale pore-network extraction. Based on cases featuring two- and
three-dimensional porous media, the FSMA algorithm performs well regardless of
the topological structure of the pore network or the positions of the pore and
throat centers. This algorithm can also be used to examine both closed- and
open-boundary cases. Finally, the FSMA algorithm can search dead-end pores,
which is of great significance in the study of multiphase flow in porous media.
- Abstract（参考訳）: 気孔網モデル(pnms)は,過去数十年間,多孔質媒質中の流動の研究において重要なツールとなり,その精度は気孔網の抽出に大きく依存している。
従来の細孔ネットワーク抽出法はピクセルに基づいており、高品質の画像を必要とする。
ここでは,連続空間における細孔ネットワーク抽出のために,フラッシュライト探索媒介軸 (FSMA) アルゴリズムと呼ばれる画素フリーの手法を提案する。
二次元空間における探索領域は直線であり、一方表面領域は三次元のシナリオで探索される。
したがって、FSMAアルゴリズムは次元減少の考え方に従い、中間軸は空空間のすべての点を計算する代わりに、わずか数点で特定できる。
このようにして、この手法の計算複雑性は従来の画素ベース抽出法に比べて大幅に低減され、大規模な細孔ネットワーク抽出が可能となる。
FSMAアルゴリズムは2次元および3次元の多孔質媒体を特徴とするケースに基づいて,細孔ネットワークのトポロジ的構造や細孔と喉頭中心の位置に関わらず良好に機能する。
このアルゴリズムは、クローズドケースとオープンバウンダリケースの両方を調べるためにも利用できる。
最後に、fsmaアルゴリズムは多孔質媒質中の多相流の研究において非常に重要であるデッドエンド孔を探索することができる。
関連論文リスト
- EDCSSM: Edge Detection with Convolutional State Space Model [3.649463841174485]
画像のエッジ検出は、コンピュータグラフィックスにおける多くの複雑なタスクの基礎となっている。
多層畳み込みとプールアーキテクチャによる特徴損失のため、学習ベースのエッジ検出モデルは、しばしば厚いエッジを生成する。
本稿では,上記の問題に効果的に対処するエッジ検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-03T05:13:25Z) - Deep Gaussian mixture model for unsupervised image segmentation [1.3654846342364308]
多くのタスクにおいて、十分なピクセルレベルのラベルを得るのは非常に困難である。
本稿では,ガウス混合モデル(GMM)と教師なしディープラーニング技術を組み合わせた手法を提案する。
マルチシーケンスMRI画像における梗塞領域分割の例について, 様々な実験において本手法の利点を実証する。
論文 参考訳（メタデータ） (2024-04-18T15:20:59Z) - Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning [52.825441454264585]
Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。
ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。
密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
論文 参考訳（メタデータ） (2024-03-08T07:31:14Z) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-10-19T17:56:03Z) - Network Pruning via Feature Shift Minimization [8.593369249204132]
本稿では,CNNモデルを圧縮するための新しい特徴シフト最小化(FSM)手法を提案する。
提案手法は,様々なベンチマークネットワークやデータセット上での最先端性能を,広範な実験により検証する。
論文 参考訳（メタデータ） (2022-07-06T12:50:26Z) - PCAM: Product of Cross-Attention Matrices for Rigid Registration of
Point Clouds [79.99653758293277]
PCAMは、キー要素がクロスアテンション行列のポイントワイズ積であるニューラルネットワークである。
そこで本研究では,PCAMがステップ(a)とステップ(b)をディープネットを介して共同で解決する手法によって,最先端の成果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-04T09:23:27Z) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-13T07:45:48Z) - Learning Deep ReLU Networks Is Fixed-Parameter Tractable [21.625005195943707]
ガウス入力に関して未知のReLUネットワークを学習する問題を考察する。
ランニング時間が周囲次元の固定重みとなるアルゴリズムを与える。
我々の境界は、隠れた単位数、深さ、スペクトルノルムのスペクトルノルム、リプシッツ定数に依存する。
論文 参考訳（メタデータ） (2020-09-28T17:58:43Z) - Deformable spatial propagation network for depth completion [2.5306673456895306]
本稿では,各画素に対して異なる受容場と親和性行列を適応的に生成する変形可能な空間伝搬ネットワーク(DSPN)を提案する。
これにより、ネットワークは伝播のためのより少ないがより関連性の高い情報を得ることができる。
論文 参考訳（メタデータ） (2020-07-08T16:39:50Z) - ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。
本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文 参考訳（メタデータ） (2020-06-28T23:09:27Z) - Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。
これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。
SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
論文 参考訳（メタデータ） (2020-02-11T14:04:56Z)
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。