論文の概要: Characterization of Magnetic Labyrinthine Structures through Junctions
and Terminals Detection using Template Matching and CNN
- arxiv url: http://arxiv.org/abs/2401.16688v1
- Date: Tue, 30 Jan 2024 02:23:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 16:32:56.960243
- Title: Characterization of Magnetic Labyrinthine Structures through Junctions
and Terminals Detection using Template Matching and CNN
- Title(参考訳): テンプレートマッチングとCNNを用いた接合と終端検出による磁気ラビリンチン構造のキャラクタリゼーション
- Authors: Vin\'icius Yu Okubo, Kotaro Shimizu, B. S. Shivaram, Hae Yong Kim
- Abstract要約: 磁気ラビリンチンパターンを特徴付けるためには, 接合部と終端部を正確に同定する必要がある。
本研究では,画像中の多数の小物体を検出するTM-CNNという新しい手法を提案する。
TM-CNNのF1スコアは0.988で、従来のテンプレートマッチングやCNNベースのオブジェクト検出アルゴリズムよりもはるかに優れていた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In material sciences, characterizing faults in periodic structures is vital
for understanding material properties. To characterize magnetic labyrinthine
patterns, it is necessary to accurately identify junctions and terminals, often
featuring over a thousand closely packed defects per image. This study
introduces a new technique called TM-CNN (Template Matching - Convolutional
Neural Network) designed to detect a multitude of small objects in images, such
as defects in magnetic labyrinthine patterns. TM-CNN was used to identify these
structures in 444 experimental images, and the results were explored to deepen
the understanding of magnetic materials. It employs a two-stage detection
approach combining template matching, used in initial detection, with a
convolutional neural network, used to eliminate incorrect identifications. To
train a CNN classifier, it is necessary to create a large number of training
images. This difficulty prevents the use of CNN in many practical applications.
TM-CNN significantly reduces the manual workload for creating training images
by automatically making most of the annotations and leaving only a small number
of corrections to human reviewers. In testing, TM-CNN achieved an impressive F1
score of 0.988, far outperforming traditional template matching and CNN-based
object detection algorithms.
- Abstract(参考訳): 物質科学において、周期構造中の欠陥を特徴づけることは、材料特性を理解する上で不可欠である。
磁性ラビリンチンパターンを特徴付けるには、接合点や端子を正確に識別する必要がある。
本研究では,画像中の多数の小物体を検出するtm-cnn(template matching-convolutional neural network)と呼ばれる新しい手法を導入する。
TM-CNNを用いて444枚の実験画像からこれらの構造を同定し, 磁気材料の理解を深めるために実験を行った。
初期検出で使用されるテンプレートマッチングと、誤った識別を排除するために使用される畳み込みニューラルネットワークを組み合わせた2段階検出アプローチを採用している。
CNN分類器を訓練するには、多数の訓練画像を作成する必要がある。
この困難は、多くの実用的な用途でcnnの使用を妨げている。
TM-CNNは、アノテーションのほとんどを自動で作成し、人間のレビュアーにわずかな修正しか残さず、トレーニング画像を作成するための手作業の負荷を大幅に削減する。
TM-CNNは、従来のテンプレートマッチングやCNNベースのオブジェクト検出アルゴリズムよりもはるかに優れています。
関連論文リスト
- CINFormer: Transformer network with multi-stage CNN feature injection
for surface defect segmentation [73.02218479926469]
表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。
CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。
さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
論文 参考訳(メタデータ) (2023-09-22T06:12:02Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - Classification of EEG Motor Imagery Using Deep Learning for
Brain-Computer Interface Systems [79.58173794910631]
トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。
理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。
CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
論文 参考訳(メタデータ) (2022-05-31T17:09:46Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Identifying Transients in the Dark Energy Survey using Convolutional
Neural Networks [0.4759823735082844]
ダークエナジー・サーベイ・スーパーノバ・プログラム(DES-SN)の既存のデータセットに対するCNNを用いた画像の自動過渡識別の結果について述べる。
非人工物(超新星、可変星、AGNなど)を人工物(画像欠陥、誤抽出など)から効率的に選択するネットワークを同定する。
CNNは、誤ラベルされた画像のサブセットを特定するのにも役立ちます。このサブセットで画像のラベル付けを行うと、CNNによる分類は、以前の結果よりもはるかに優れているのです。
論文 参考訳(メタデータ) (2022-03-18T12:37:44Z) - What's the Difference? The potential for Convolutional Neural Networks
for transient detection without template subtraction [0.0]
本稿では、画像から天体物理学的トランジェントを分離するための畳み込みニューラルネットワーク(CNN)の可能性について検討する。
ダーク・エナジー・サーベイのデータを用いて、我々はCNNを用いて「リアル・ボガス」分類を自動化する。
論文 参考訳(メタデータ) (2022-03-14T18:00:03Z) - Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection [9.826027427965354]
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
論文 参考訳(メタデータ) (2022-01-04T03:09:40Z) - Deep neural networks-based denoising models for CT imaging and their
efficacy [0.3058685580689604]
我々は,低用量CT画像の総合的な視点から,Deep Neural Networks (DNN) の結果の画質を検討することを目的とする。
我々は、DnCNN、U-Net、Red-Net、GANなどの先進的なDNN記述アーキテクチャのライブラリを構築します。
各ネットワークは、PSNRとSSIMの点で最高のパフォーマンスが得られるように、トレーニングされただけでなくモデル化されている。
論文 参考訳(メタデータ) (2021-11-18T06:18:26Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳(メタデータ) (2021-01-29T07:46:39Z) - An Improved Iterative Neural Network for High-Quality Image-Domain
Material Decomposition in Dual-Energy CT [16.84451472788859]
高エネルギー・低エネルギー減衰画像から直接物質像を分解する。
高品質な材料画像を得るための様々なデータ駆動手法が提案されている。
反復ニューラルネットワーク(NN)は回帰NNとモデルベース画像再構成を組み合わせた手法である。
論文 参考訳(メタデータ) (2020-12-02T16:27:38Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳(メタデータ) (2020-11-26T14:43:04Z)
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。