Fugu-MT 論文翻訳(概要): Automated Identification and Segmentation of Hi Sources in CRAFTS Using Deep Learning Method

論文の概要: Automated Identification and Segmentation of Hi Sources in CRAFTS Using Deep Learning Method

arxiv url: http://arxiv.org/abs/2403.19912v1
Date: Fri, 29 Mar 2024 01:46:11 GMT
ステータス: 処理完了
システム内更新日: 2024-04-01 16:44:26.696207
Title: Automated Identification and Segmentation of Hi Sources in CRAFTS Using Deep Learning Method
Title（参考訳）: 深層学習法を用いたCRAFTSにおけるHi音源の自動同定とセグメント化
Authors: Zihao Song, Huaxi Chen, Donghui Quan, Di Li, Yinghui Zheng, Shulei Ni, Yunchuan Chen, Yun Zheng,
Abstract要約: 本研究では,3次元スペクトルデータからHIソースを抽出する機械学習手法を導入し,CRAFTSからHIソースの専用データセットを構築する。本手法はHI源を確実に同定し, 再現率91.6%, 精度95.7%の顕著な性能指標を達成できる。
参考スコア（独自算出の注目度）: 6.842583606693629
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a machine learning-based method for extracting HI sources from 3D spectral data, and construct a dedicated dataset of HI sources from CRAFTS. Our custom dataset provides comprehensive resources for HI source detection. Utilizing the 3D-Unet segmentation architecture, our method reliably identifies and segments HI sources, achieving notable performance metrics with recall rates reaching 91.6% and accuracy levels at 95.7%. These outcomes substantiate the value of our custom dataset and the efficacy of our proposed network in identifying HI source. Our code is publicly available at https://github.com/fishszh/HISF.
Abstract（参考訳）: 本研究では,3次元スペクトルデータからHIソースを抽出する機械学習手法を導入し,CRAFTSからHIソースの専用データセットを構築する。私たちのカスタムデータセットは、HIソース検出のための包括的なリソースを提供します。 3D-Unetセグメンテーションアーキテクチャを用いることで、HIソースを確実に識別およびセグメント化し、リコールレート91.6%、精度95.7%の顕著なパフォーマンス指標を達成する。これらの結果は、カスタムデータセットの価値と、HIソースを特定する上で提案したネットワークの有効性を裏付けるものである。私たちのコードはhttps://github.com/fishszh/HISF.comで公開されています。

関連論文リスト

AI-Guided Feature Segmentation Techniques to Model Features from Single Crystal Diamond Growth [7.708823384783919]
ダイヤモンド, ポケットホルダー, 背景などの幾何学的特徴の正確な画素マスクを, 形状と大きさに基づく微分特徴とともに分離し, 分類するための, 深層学習によるセマンティックセマンティックセマンティックセマンティクス手法を提案する。 DeeplabV3plusアーキテクチャに基づく当社のトップパフォーマンスモデルは、ポケットホルダーの96.31%、ダイヤモンドトップの98.60%、ダイヤモンドサイドの特徴の91.64%という、興味のある特徴の分類において顕著な精度を実現しています。
論文参考訳（メタデータ） (2024-04-10T19:16:08Z)
Data Augmentations in Deep Weight Spaces [89.45272760013928]
そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
論文参考訳（メタデータ） (2023-11-15T10:43:13Z)
Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文参考訳（メタデータ） (2023-10-10T20:11:13Z)
Multi-View Fusion and Distillation for Subgrade Distresses Detection based on 3D-GPR [19.49863426864145]
本稿では,3D-GPRデータからの多視点情報を活用することで,下級災害検知タスクの新たな手法を提案する。マルチビューGPRデータセットを最適に活用するための新しいtextbfMulti-textbfView textbfVusion と textbfDistillation フレームワーク textbfGPR-MVFD を開発した。
論文参考訳（メタデータ） (2023-08-09T08:06:28Z)
Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文参考訳（メタデータ） (2023-01-30T12:38:31Z)
Deep residential representations: Using unsupervised learning to unlock elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文参考訳（メタデータ） (2021-12-02T17:10:52Z)
Learning to Detect Fortified Areas [0.0]
本研究では,道路,歩道,駐車場,舗装された自動車道,テラスなどによって,ある表面のどの部分が要塞化されているのかを分類する問題を考察する。本稿では,すべてのセンサシステムからデータを新しい共通表現に変換するニューラルネット埋め込みアーキテクチャを設計し,アルゴリズムによる解を提案する。
論文参考訳（メタデータ） (2021-05-26T08:03:42Z)
TDA-Net: Fusion of Persistent Homology and Deep Learning Features for COVID-19 Detection in Chest X-Ray Images [0.7734726150561088]
トポロジカルデータ分析は、データセットの構造を抽出し比較するための堅牢なツールとして登場した。両強力なツールの特徴を捉えるために,トポロジと深い特徴を融合した新しいアンサンブルネットワークである textitTDA-Net を提案する。
論文参考訳（メタデータ） (2021-01-21T01:51:12Z)
SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文参考訳（メタデータ） (2020-10-19T09:23:39Z)
InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文参考訳（メタデータ） (2020-07-16T18:27:08Z)
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。