論文の概要: Historical Astronomical Diagrams Decomposition in Geometric Primitives
- arxiv url: http://arxiv.org/abs/2403.08721v1
- Date: Wed, 13 Mar 2024 17:20:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 13:07:04.041334
- Title: Historical Astronomical Diagrams Decomposition in Geometric Primitives
- Title(参考訳): 幾何学的プリミティブにおける歴史的天文学的ダイアグラムの分解
- Authors: Syrine Kalleli, Scott Trigg, S\'egol\`ene Albouy, Mathieu Husson, and
Mathieu Aubry
- Abstract要約: 我々は、XII世紀からXVIII世紀にかけての様々な伝統から、303の天文図のユニークなデータセットを紹介した。
我々はDINO-DETR上に構築されたモデルを構築し、複数の幾何学的プリミティブの予測を可能にする。
提案手法は,複数のプリミティブに対して有意義なパラメトリゼーションを導入することにより,ラインに制限されたLETRベースラインを改良する。
- 参考スコア(独自算出の注目度): 13.447991818689463
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatically extracting the geometric content from the hundreds of thousands
of diagrams drawn in historical manuscripts would enable historians to study
the diffusion of astronomical knowledge on a global scale. However,
state-of-the-art vectorization methods, often designed to tackle modern data,
are not adapted to the complexity and diversity of historical astronomical
diagrams. Our contribution is thus twofold. First, we introduce a unique
dataset of 303 astronomical diagrams from diverse traditions, ranging from the
XIIth to the XVIIIth century, annotated with more than 3000 line segments,
circles and arcs. Second, we develop a model that builds on DINO-DETR to enable
the prediction of multiple geometric primitives. We show that it can be trained
solely on synthetic data and accurately predict primitives on our challenging
dataset. Our approach widely improves over the LETR baseline, which is
restricted to lines, by introducing a meaningful parametrization for multiple
primitives, jointly training for detection and parameter refinement, using
deformable attention and training on rich synthetic data. Our dataset and code
are available on our webpage.
- Abstract(参考訳): 歴史写本に描かれた数十万の図から幾何学的内容を自動的に抽出することで、歴史学者は世界規模で天文学的知識の拡散を研究することができる。
しかし、現代のデータに対処するためにしばしば設計された最先端のベクトル化法は、歴史的天文学図の複雑さと多様性に適応していない。
私たちの貢献は2倍です。
まず、XII世紀からXVIII世紀にかけて、3000以上の線分、円、弧でアノテートされた、様々な伝統から得られた303の天文図のユニークなデータセットを紹介する。
次に、DINO-DETR上に構築されたモデルを構築し、複数の幾何学的プリミティブの予測を可能にする。
合成データのみに基づいてトレーニングし、課題のあるデータセット上でプリミティブを正確に予測できることが示されています。
提案手法は,複数のプリミティブに対して有意なパラメトリゼーションを導入し,検出およびパラメータ改善のための共同トレーニングを行い,変形可能な注意とリッチな合成データに対するトレーニングを行うことにより,ラインに制限されたLETRベースラインを改良する。
データセットとコードは、私たちのWebページで利用可能です。
関連論文リスト
- Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。
従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。
本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文 参考訳(メタデータ) (2023-06-05T03:36:01Z) - Generalizing Dataset Distillation via Deep Generative Prior [75.9031209877651]
本稿では,データセット全体の知識をいくつかの合成画像に抽出することを提案する。
このアイデアは、学習アルゴリズムにトレーニングデータとして与えられる少数の合成データポイントを合成し、結果として元のデータに基づいてトレーニングされたデータを近似するモデルを構築する。
生成モデルの潜在空間における複数の中間特徴ベクトルに多数の画像を蒸留する新しい最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-02T17:59:31Z) - 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) - Applications of AI in Astronomy [0.0]
本稿では、天文学、天体物理学、宇宙論における機械学習(ML)およびその他のAI手法の使用の概要について述べる。
過去10年間で、さまざまなML/AI応用を含む天文学文献が指数関数的に成長してきた。
データの複雑さが増し続ければ、協力的な人間とAIの発見につながるさらなる進歩が期待できる。
論文 参考訳(メタデータ) (2022-12-03T00:38:59Z) - Study of Manifold Geometry using Multiscale Non-Negative Kernel Graphs [32.40622753355266]
データの幾何学的構造を研究するための枠組みを提案する。
我々は最近導入された非負のカーネル回帰グラフを用いて、点密度、固有次元、およびデータ多様体(曲率)の線型性を推定する。
論文 参考訳(メタデータ) (2022-10-31T17:01:17Z) - A Framework for Large Scale Synthetic Graph Dataset Generation [2.248608623448951]
この研究は、データセットをプロダクションサイズのグラフにスケールするスケーラブルな合成グラフ生成ツールを提案する。
このツールは、研究者にリリース可能なプロプライエタリなデータセットから、一連のパラメトリックモデルを学ぶ。
一連のデータセットにまたがるフレームワークの一般化可能性を示す。
論文 参考訳(メタデータ) (2022-10-04T22:41:33Z) - PolarMOT: How Far Can Geometric Relations Take Us in 3D Multi-Object
Tracking? [62.997667081978825]
グラフのノードとして3D検出を符号化し、グラフエッジ上の局所極座標を用いてオブジェクト間の空間的および時間的対関係を符号化する。
これにより、グラフニューラルネットワークは、時間的および空間的相互作用を効果的に符号化することができる。
我々はnuScenesデータセット上に新しい最先端のデータセットを構築し、さらに重要なことに、私たちの手法であるPolarMOTが、異なる場所にわたって驚くほどよく一般化されていることを示す。
論文 参考訳(メタデータ) (2022-08-03T10:06:56Z) - First Full-Event Reconstruction from Imaging Atmospheric Cherenkov
Telescope Real Data with Deep Learning [55.41644538483948]
チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。
地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。
我々は、深層畳み込みニューラルネットワークに基づくフルイベント再構築の開発とその実データへの適用を初めて提示する。
論文 参考訳(メタデータ) (2021-05-31T12:51:42Z) - Extendable and invertible manifold learning with geometry regularized
autoencoders [9.742277703732187]
データ探索における基本的な課題は、データ内の固有幾何学をキャプチャする単純化された低次元表現を抽出することである。
このタスクに対する一般的なアプローチは、多様体学習にカーネルメソッドを使用する。
オートエンコーダのボトルネックに幾何正規化項を組み込むことにより,両手法を統合する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T15:59:10Z) - Extracting the main trend in a dataset: the Sequencer algorithm [0.0]
一次元の傾向は、しばしば列と呼ばれ、単純な現象についての洞察を与える。
本稿では,データセットの主なトレンドを汎用的に識別するアルゴリズムであるSequencerを提案する。
多くのケースにおいて、一般的なt-SNEおよびUMAP次元減少技術よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-06-24T18:00:03Z) - DiverseDepth: Affine-invariant Depth Prediction Using Diverse Data [110.29043712400912]
本稿では,アフィン変換に至るまでの多様なシーンにおける高品質な深度を予測できるモノクロ画像を用いた深度推定手法を提案する。
実験の結果,提案手法は,ゼロショットテスト設定と大差で8つのデータセットの先行手法より優れていた。
論文 参考訳(メタデータ) (2020-02-03T05:38:33Z)
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。