論文の概要: Learning to predict 3D rotational dynamics from images of a rigid body
with unknown mass distribution
- arxiv url: http://arxiv.org/abs/2308.14666v1
- Date: Thu, 24 Aug 2023 17:47:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 13:15:46.902881
- Title: Learning to predict 3D rotational dynamics from images of a rigid body
with unknown mass distribution
- Title(参考訳): 質量分布が不明な剛体像からの3次元回転ダイナミクス予測のための学習
- Authors: Justice Mason, Christine Allen-Blanchette, Nicholas Zolman, Elizabeth
Davison, Naomi Ehrich Leonard
- Abstract要約: 画像列から3次元回転力学を推定・予測する物理インフォームドニューラルネットワークモデルを提案する。
本研究は, 回転物体の合成画像列の新たな回転剛体データセットに対するアプローチの有効性を実証する。
- 参考スコア(独自算出の注目度): 4.706075725469252
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many real-world settings, image observations of freely rotating 3D rigid
bodies, may be available when low-dimensional measurements are not. However,
the high-dimensionality of image data precludes the use of classical estimation
techniques to learn the dynamics. The usefulness of standard deep learning
methods is also limited because an image of a rigid body reveals nothing about
the distribution of mass inside the body, which, together with initial angular
velocity, is what determines how the body will rotate. We present a
physics-informed neural network model to estimate and predict 3D rotational
dynamics from image sequences. We achieve this using a multi-stage prediction
pipeline that maps individual images to a latent representation homeomorphic to
$\mathbf{SO}(3)$, computes angular velocities from latent pairs, and predicts
future latent states using the Hamiltonian equations of motion. We demonstrate
the efficacy of our approach on new rotating rigid-body datasets of sequences
of synthetic images of rotating objects, including cubes, prisms and
satellites, with unknown uniform and non-uniform mass distributions.
- Abstract(参考訳): 多くの実世界の環境では、低次元の測定がなければ、自由に回転する3次元剛体の画像観察が可能である。
しかし、画像データの高次元性は、力学を学ぶために古典的推定技術を使うことを妨げる。
標準的な深層学習法の有用性は、剛体のイメージが体内の質量の分布について何も明らかにしないため、最初の角速度とともに、身体がどのように回転するかを決定するため、制限される。
画像列から3次元回転力学を推定・予測する物理インフォームドニューラルネットワークモデルを提案する。
これを多段階予測パイプラインを用いて実現し、個々の画像を$\mathbf{so}(3)$ に準同型な潜在表現にマッピングし、潜在対からの角速度を計算し、ハミルトニアン運動方程式を用いて将来の潜在状態を予測する。
本研究では, 立方体, プリズム, 衛星を含む回転物体の合成画像列を, 均一な質量分布と不均一な質量分布を持つ新しい回転剛体データセットに適用した。
関連論文リスト
- Using convolutional neural networks for stereological characterization
of 3D hetero-aggregates based on synthetic STEM data [0.0]
パラメトリックな3Dモデルが提示され、そこから多数の仮想ヘテロアグリゲートが生成される。
仮想構造は、仮想走査透過電子顕微鏡(STEM)画像を生成するために物理シミュレーションツールに渡される。
畳み込みニューラルネットワークは、2次元STEM画像からヘテロアグリゲートの3次元構造を予測するために訓練される。
論文 参考訳(メタデータ) (2023-10-27T22:49:08Z) - Unsupervised 3D Pose Estimation with Non-Rigid Structure-from-Motion
Modeling [83.76377808476039]
本研究では,人間のポーズの変形をモデル化し,それに伴う拡散に基づく動きを事前に設計する手法を提案する。
動作中の3次元人間の骨格を復元する作業は3次元基準骨格の推定に分割する。
混合時空間NASfMformerを用いて、各フレームの3次元基準骨格と骨格変形を2次元観測シーケンスから同時に推定する。
論文 参考訳(メタデータ) (2023-08-18T16:41:57Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Learning Interpretable Dynamics from Images of a Freely Rotating 3D
Rigid Body [1.143707646428782]
画像列から3次元回転力学を推定・予測する物理インフォームドニューラルネットワークモデルを提案する。
回転立方体と正方形プリズムを一様・一様・非一様に配列した新しい回転剛体データセットに対して,本手法の有効性を実証した。
論文 参考訳(メタデータ) (2022-09-23T00:35:22Z) - Disentangled3D: Learning a 3D Generative Model with Disentangled
Geometry and Appearance from Monocular Images [94.49117671450531]
最先端の3D生成モデルは、合成に神経的な3Dボリューム表現を使用するGANである。
本稿では,単分子観察だけで物体の絡み合ったモデルを学ぶことができる3D GANを設計する。
論文 参考訳(メタデータ) (2022-03-29T22:03:18Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T17:59:57Z) - Neural Computed Tomography [1.7188280334580197]
一連のプロジェクションの取得時の運動は、CT再構成において重要な運動アーティファクトにつながる可能性がある。
動作成果物から解放された時間分解画像を生成するための新しい再構成フレームワークであるNeuralCTを提案する。
論文 参考訳(メタデータ) (2022-01-17T18:50:58Z) - Dynamic imaging using Motion-Compensated SmooThness Regularization on
Manifolds (MoCo-SToRM) [19.70386996879205]
高分解能自由呼吸性肺MRIのための教師なし運動補償再建法を提案する。
時系列画像フレームを3Dテンプレート画像ボリュームの変形版としてモデル化する。
変形写像は高次元空間の滑らかな多様体上の点であると仮定する。
論文 参考訳(メタデータ) (2021-12-06T22:04:57Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳(メタデータ) (2021-08-30T19:45:07Z) - Fully Steerable 3D Spherical Neurons [14.86655504533083]
本稿では,球面決定曲面からなり,点雲上で動作可能なフィードフォワード学習方式を提案する。
我々の理論の固有の幾何学的3次元構造のため、我々はその原子部分に対して3次元の操舵性制約を導出する。
モデルパラメータが推論時にどのように完全に制御可能であるかを示す。
論文 参考訳(メタデータ) (2021-06-02T16:30:02Z) - Predicting the Physical Dynamics of Unseen 3D Objects [65.49291702488436]
インパルス力を受ける平面上での3次元物体の動的挙動の予測に焦点をあてる。
我々の手法は、訓練中に目に見えない物体の形状や初期条件に一般化することができる。
我々のモデルは物理エンジンと実世界の両方のデータによるトレーニングをサポートすることができる。
論文 参考訳(メタデータ) (2020-01-16T06:27:59Z)
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。