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

• AstroM$^3$: A self-supervised multimodal model for astronomy [0.0]
  本稿では,モデルが複数のモーダルから同時に学習できる自己教師型事前学習手法AstroM$3$を提案する。 具体的には、CLIP(Contrastive Language- Image Pretraining)モデルをトリモーダル設定に拡張し、時系列測光データ、スペクトル、天体物理メタデータの統合を可能にする。 以上の結果から,CLIP事前学習により時系列光度測定の分類性能が向上し,精度が84.6%から91.5%に向上した。
  論文  参考訳（メタデータ） (2024-11-13T18:20:29Z)
• Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
  本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
  論文  参考訳（メタデータ） (2024-10-16T17:53:26Z)
• Dissecting embedding method: learning higher-order structures from data [0.0]
  データ学習のための幾何学的深層学習法は、しばしば特徴空間の幾何学に関する仮定のセットを含む。 これらの仮定と、データが離散的で有限であるという仮定は、いくつかの一般化を引き起こし、データとモデルの出力の間違った解釈を生み出す可能性がある。
  論文  参考訳（メタデータ） (2024-10-14T08:19:39Z)
• Diffusion Models as Data Mining Tools [87.77999285241219]
  本稿では、画像合成のために訓練された生成モデルを視覚データマイニングのツールとして利用する方法について述べる。 特定のデータセットから画像を合成するために条件拡散モデルを微調整した後、これらのモデルを用いて典型性尺度を定義することができることを示す。 この尺度は、地理的位置、タイムスタンプ、セマンティックラベル、さらには病気の存在など、異なるデータラベルに対する典型的な視覚的要素がどのように存在するかを評価する。
  論文  参考訳（メタデータ） (2024-07-20T17:14:31Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• 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)
• 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)

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。