論文の概要: PerSival: Neural-network-based visualisation for pervasive
continuum-mechanical simulations in musculoskeletal biomechanics
- arxiv url: http://arxiv.org/abs/2312.03957v1
- Date: Thu, 7 Dec 2023 00:07:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 16:43:43.685140
- Title: PerSival: Neural-network-based visualisation for pervasive
continuum-mechanical simulations in musculoskeletal biomechanics
- Title（参考訳）: PerSival: 神経ネットワークによる筋骨格バイオメカニクスにおける広範連続体-機械シミュレーションの可視化
- Authors: David Rosin, Johannes K\"assinger, Xingyao Yu, Okan Avci, Christian
Bleiler, Oliver R\"ohrle
- Abstract要約: 本稿では,3次元ヒト上肢骨格系モデルの広汎化のためのニューラルネットワークアーキテクチャを提案する。
我々はスパルスグリッドサロゲートを用いて,同じ筋肉をリアルタイムに可視化する深層学習モデルのトレーニングを行う。
- 参考スコア（独自算出の注目度）: 1.4272256806865107
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents a novel neural network architecture for the purpose of
pervasive visualisation of a 3D human upper limb musculoskeletal system model.
Bringing simulation capabilities to resource-poor systems like mobile devices
is of growing interest across many research fields, to widen applicability of
methods and results. Until recently, this goal was thought to be out of reach
for realistic continuum-mechanical simulations of musculoskeletal systems, due
to prohibitive computational cost. Within this work we use a sparse grid
surrogate to capture the surface deformation of the m.~biceps brachii in order
to train a deep learning model, used for real-time visualisation of the same
muscle. Both these surrogate models take 5 muscle activation levels as input
and output Cartesian coordinate vectors for each mesh node on the muscle's
surface. Thus, the neural network architecture features a significantly lower
input than output dimension. 5 muscle activation levels were sufficient to
achieve an average error of 0.97 +/- 0.16 mm, or 0.57 +/- 0.10 % for the 2809
mesh node positions of the biceps. The model achieved evaluation times of 9.88
ms per predicted deformation state on CPU only and 3.48 ms with GPU-support,
leading to theoretical frame rates of 101 fps and 287 fps respectively. Deep
learning surrogates thus provide a way to make continuum-mechanical simulations
accessible for visual real-time applications.
- Abstract（参考訳）: 本稿では,3次元ヒト上肢筋骨格系モデルの広汎化を目的とした新しいニューラルネットワークアーキテクチャを提案する。
モバイルデバイスのようなリソースパウダーシステムへのシミュレーション機能の導入は、多くの研究分野において関心を集めており、手法や結果の適用範囲を広げている。
最近まで、この目標は、計算コストの制限のため、筋骨格系の現実的な連続的機械的シミュレーションには到達できないと考えられていた。
この作業では、mの表面変形を捉えるためにスパースグリッドサロゲートを使用します。
深層学習モデルを訓練するために、同じ筋肉をリアルタイムで可視化するために用いられる。
どちらのサーロゲートモデルも、筋肉表面の各メッシュノードの入力および出力デカルト座標ベクトルとして5つの筋活性化レベルを取る。
したがって、ニューラルネットワークアーキテクチャは、出力次元よりもかなり低い入力を特徴付ける。
5の筋肉活性化レベルが0.97 +/-0.16 mm, または0.57 +/-0.10 %の誤差を達成するのに十分であった。
このモデルは、cpuのみの予測変形状態当たり9.88ms、gpuサポートで3.48msの評価時間を達成し、理論フレームレートは101fpsと287fpsとなった。
これにより、ディープラーニングサロゲートは、ビジュアルリアルタイムアプリケーションに連続機械シミュレーションをアクセスできるようにする。
関連論文リスト
- Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations [64.98299559470503]
マッスル・イン・タイム (MinT) は、大規模な人工筋肉活性化データセットである。
227名の被験者と402名の模擬筋骨格をカバーする9時間以上のシミュレーションデータを含んでいる。
ヒトのポーズ配列からニューラルネットワークを用いた筋活動量推定の結果を示す。
論文 参考訳（メタデータ） (2024-10-31T18:28:53Z) - Predicting 3D Rigid Body Dynamics with Deep Residual Network [0.0]
本稿では,C++で実装された3次元物理シミュレータとPyTorchを用いたディープラーニングモデルを組み合わせたフレームワークを提案する。
シミュレータは、線形および角運動、弾性衝突、流体摩擦、重力効果、減衰を含むトレーニングデータを生成する。
我々は,1万のシミュレーションシナリオのデータセットを用いて,ネットワークの性能を評価する。
論文 参考訳（メタデータ） (2024-07-09T23:40:10Z) - A Physics-embedded Deep Learning Framework for Cloth Simulation [6.8806198396336935]
本稿では,布地シミュレーションの物理特性を直接エンコードする物理組込み学習フレームワークを提案する。
このフレームワークは、従来のシミュレータやサブニューラルネットワークを通じて、外部の力や衝突処理と統合することもできる。
論文 参考訳（メタデータ） (2024-03-19T15:21:00Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection
for Autonomous Driving [0.0]
Spiking Neural Networksは、電力効率、計算効率、処理遅延を大幅に改善する新しいニューラルネットワーク設計アプローチである。
まず,複雑なディープラーニングタスク,すなわちLidarベースの3Dオブジェクト検出による自動運転への適用性について説明する。
論文 参考訳（メタデータ） (2022-06-06T20:05:17Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳（メタデータ） (2021-09-22T16:52:51Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - A Neuromorphic Proto-Object Based Dynamic Visual Saliency Model with an
FPGA Implementation [1.2387676601792899]
本稿では, プロトオブジェクトの概念に基づくニューロモルフィック, ボトムアップ, ダイナミックビジュアル・サリエンシ・モデルを提案する。
このモデルは、一般的に使用されるビデオデータセット上で人間の目の固定を予測する際に、最先端のダイナミック・ビジュアル・サリエンシ・モデルより優れている。
我々は、Opal Kelly 7350 Kintex-7ボード上で、フィールドプログラマブルゲートアレイによるモデルの実装を紹介する。
論文 参考訳（メタデータ） (2020-02-27T03:31:56Z)
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。