論文の概要: Holistic Geometric Feature Learning for Structured Reconstruction

• arxiv url: http://arxiv.org/abs/2309.09622v1
• Date: Mon, 18 Sep 2023 09:49:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 14:10:10.650549
• Title: Holistic Geometric Feature Learning for Structured Reconstruction
• Title（参考訳）: 構造再構築のための全体幾何学的特徴学習
• Authors: Ziqiong Lu, Linxi Huan, Qiyuan Ma, Xianwei Zheng
• Abstract要約: そこで本研究では,位相非接触構造推論のための周波数領域特徴学習戦略(F-Learn)を提案する。 実験により、F-Learn戦略は幾何学的原始的検出とトポロジー推論に構造認識を効果的に導入できることが示された。
• 参考スコア（独自算出の注目度）: 2.4305626489408465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The inference of topological principles is a key problem in structured reconstruction. We observe that wrongly predicted topological relationships are often incurred by the lack of holistic geometry clues in low-level features. Inspired by the fact that massive signals can be compactly described with frequency analysis, we experimentally explore the efficiency and tendency of learning structure geometry in the frequency domain. Accordingly, we propose a frequency-domain feature learning strategy (F-Learn) to fuse scattered geometric fragments holistically for topology-intact structure reasoning. Benefiting from the parsimonious design, the F-Learn strategy can be easily deployed into a deep reconstructor with a lightweight model modification. Experiments demonstrate that the F-Learn strategy can effectively introduce structure awareness into geometric primitive detection and topology inference, bringing significant performance improvement to final structured reconstruction. Code and pre-trained models are available at https://github.com/Geo-Tell/F-Learn.
• Abstract（参考訳）: トポロジカル原理の推論は、構造化再構成における重要な問題である。 誤った予測されたトポロジカルな関係は、しばしば低レベル特徴における全体幾何学的手がかりの欠如によって引き起こされる。 周波数解析により大規模信号がコンパクトに記述できるという事実に触発されて,周波数領域における学習構造幾何学の効率と傾向を実験的に検討した。 そこで本稿では, 位相非接触構造推論のための周波数領域特徴学習戦略(F-Learn)を提案する。 控えめな設計の恩恵を受けたf-learn戦略は、軽量なモデル修正でディープリコンストラクタに容易に展開できる。 実験により、f-learn戦略が幾何学的原始的検出とトポロジー推論に構造認識を効果的に導入し、最終的な構造化再構成に大幅な性能改善をもたらすことが示されている。 コードと事前訓練されたモデルはhttps://github.com/Geo-Tell/F-Learn.comで入手できる。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Representing Topological Self-Similarity Using Fractal Feature Maps for Accurate Segmentation of Tubular Structures [12.038095281876071]
  本研究では,FDをピクセルレベルまで拡張することにより,フラクタル特徴を深層学習モデルに組み込む。 得られたフラクタル特徴写像(FFM)はモデルへの追加入力と損失関数の重み付けとして組み込まれる。 5つの管状構造データセットの実験は、我々のアプローチの有効性とロバスト性を検証する。
  論文  参考訳（メタデータ） (2024-07-20T05:22:59Z)
• Exploring Data Geometry for Continual Learning [64.4358878435983]
  非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。 提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。 実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-04-08T06:35:25Z)
• A Structural Approach to the Design of Domain Specific Neural Network Architectures [0.0]
  この論文は幾何学的深層学習の理論的評価を提供することを目的としている。 学習性能に関する不変ニューラルネットワークの特性を特徴付ける理論的な結果をコンパイルする。
  論文  参考訳（メタデータ） (2023-01-23T11:50:57Z)
• Topologically Regularized Data Embeddings [15.001598256750619]
  低次元埋め込みにトポロジ的事前知識を組み込むための代数的トポロジに基づく汎用的アプローチを導入する。 正規化器としてそのような位相損失関数を用いて埋め込み損失を共同最適化すると、局所的な近似だけでなく所望の位相構造も反映する埋め込みが得られることを示す。 線形および非線形次元削減法とグラフ埋め込み法を組み合わせた計算効率,堅牢性,汎用性に関する提案手法を実験的に評価した。
  論文  参考訳（メタデータ） (2023-01-09T13:49:47Z)
• Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes [52.038346313823524]
  本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。 提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-06-10T08:32:57Z)
• Learning Probabilistic Structural Representation for Biomedical Image Segmentation [37.07198480786721]
  構造表現を学習する最初の深層学習法を提案する。 我々は、この手法の強み、すなわち位相的整合性の良いピクセルマップよりも真の構造を生成することを実証的に示す。
  論文  参考訳（メタデータ） (2022-06-03T06:00:26Z)
• Local and global topological complexity measures OF ReLU neural network functions [0.0]
  Grunert-Kuhnel-Rote による Morse 理論のピースワイズ線形(PL) バージョンを適用して、位相的複雑性の新しい局所的および大域的概念を定義し、研究する。 各 F に対して、標準ポリトープ複体 K(F) と領域の K(F) への変形レトラクションを構成し、計算を行うための便利なコンパクトモデルを生成する方法を示す。
  論文  参考訳（メタデータ） (2022-04-12T19:49:13Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
  ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。 この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
  論文  参考訳（メタデータ） (2021-10-12T19:28:39Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)

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。