論文の概要: Reconstruction of the shape of irregular rough particles from their interferometric images using a convolutional neural network

• arxiv url: http://arxiv.org/abs/2408.03327v1
• Date: Fri, 19 Jul 2024 07:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 04:49:14.262443
• Title: Reconstruction of the shape of irregular rough particles from their interferometric images using a convolutional neural network
• Title（参考訳）: 畳み込みニューラルネットワークを用いた干渉画像からの不規則粗粒子形状の再構成
• Authors: Alexis Abad, Alexandre Poux, Alexis Boulet, Marc Brunel,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、干渉画像から不規則な粗い粒子の形状を再構成するために開発された。 CNNは、残りのブロックモジュールを持つUNETアーキテクチャに基づいている。 中心対称(スティック、クロス、デンドライト)および非中心対称(T、Y、L)粒子で試験される。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We have developed a convolutional neural network (CNN) to reconstruct the shape of irregular rough particles from their interferometric images. The CNN is based on a UNET architecture with residual block modules. The database has been constructed using the experimental patterns generated by perfectly known pseudo-particles programmed on a Digital Micromirror Device (DMD) and under laser illumination. The CNN has been trained on a basis of 18000 experimental interferometric images using the AUSTRAL super computer (at CRIANN in Normandy). The CNN is tested in the case of centrosymmetric (stick, cross, dendrite) and non-centrosymmetric (like T, Y or L) particles. The size and the 3D orientation of the programmed particles are random. The different shapes are reconstructed by the CNN with good accuracy. Using three angles of view, the 3D reconstruction of particles from three reconstructed faces can be further done.
• Abstract（参考訳）: 干渉画像から不規則な粗粒子の形状を再構成する畳み込みニューラルネットワーク(CNN)を開発した。 CNNは、残りのブロックモジュールを持つUNETアーキテクチャに基づいている。 このデータベースは、DMD(Digital Micromirror Device)でプログラムされた完全に知られた擬似粒子によって生成された実験パターンを用いて構築されている。 CNNは、AUSTRALスーパーコンピュータ(ノルマンディーのCRIANN)を用いて、18000の実験的干渉画像に基づいて訓練されている。 CNNは、セントロ対称(スティック、クロス、デンドライト)と非セントロ対称(T、Y、L)の粒子で試験される。 プログラムされた粒子のサイズと3次元配向はランダムである。 異なる形状はCNNによって精度良く再構成される。 3つの角度から見ると、3つの再構成された顔からの粒子の3次元再構成をさらに行うことができる。

関連論文リスト

• Decomposing 3D Neuroimaging into 2+1D Processing for Schizophrenia Recognition [25.80846093248797]
  我々は2+1Dフレームワークで3Dデータを処理し、巨大なImageNetデータセット上に事前トレーニングされた強力な2D畳み込みニューラルネットワーク(CNN)ネットワークを利用して3Dニューロイメージング認識を実現することを提案する。 特に3次元磁気共鳴イメージング(MRI)の計測値は、隣接するボクセル位置に応じて2次元スライスに分解される。 グローバルプーリングは、アクティベーションパターンが機能マップ上にわずかに分散されているため、冗長な情報を除去するために適用される。 2次元CNNモデルにより処理されていない3次元の文脈情報を集約するために,チャネルワイドおよびスライスワイズ畳み込みを提案する。
  論文  参考訳（メタデータ） (2022-11-21T15:22:59Z)
• Machine Learning for Detection of 3D Features using sparse X-ray data [6.295613527861694]
  慣性凝縮核融合実験では、中性子収率とその他のパラメータは1次元モデルと2次元モデルで完全に説明できない。 この矛盾は、重要な3次元効果が存在することを示唆している。 これらの効果の源は、貝殻と貝殻の界面の欠陥、カプセルの充填管、二重の貝殻の標的の関節の特徴などである。 我々は畳み込みニューラルネットワークを用いて、実験データからICFインロジョンの異なる3次元表現を生成する。
  論文  参考訳（メタデータ） (2022-06-02T22:36:54Z)
• Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
  X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。 再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。 本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T17:03:14Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Hyperspectral Image Classification: Artifacts of Dimension Reduction on Hybrid CNN [1.2875323263074796]
  2Dおよび3DCNNモデルは、ハイパースペクトル画像の空間的およびスペクトル情報を利用するのに非常に効率的であることが証明されている。 この研究は、計算コストを大幅に削減する軽量CNN(3Dと2D-CNN)モデルを提案した。
  論文  参考訳（メタデータ） (2021-01-25T18:43:57Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• PCLs: Geometry-aware Neural Reconstruction of 3D Pose with Perspective Crop Layers [111.55817466296402]
  我々は、カメラ幾何学に基づく関心領域の視点作物であるパースペクティブ・クロップ・レイヤ(PCL)を紹介する。 PCLは、エンドツーエンドのトレーニングと基礎となるニューラルネットワークのパラメータ数を残しながら、位置依存的な視点効果を決定論的に除去する。 PCLは、既存の3D再構成ネットワークを幾何学的に認識することで、容易に精度を向上させる手段を提供する。
  論文  参考訳（メタデータ） (2020-11-27T08:48:43Z)
• Depth-Adapted CNN for RGB-D cameras [0.3727773051465455]
  従来の2次元畳み込みニューラルネットワーク(CNN)は線形フィルタを適用して入力画像から特徴を抽出する。 我々は,RGB-Dカメラの奥行き情報を用いて,従来のRGB CNN手法の改善に取り組み,その課題を解決した。 本稿では,CNNアーキテクチャにおける測光情報と幾何情報の両方を記述するための,新規で汎用的な手順を提案する。
  論文  参考訳（メタデータ） (2020-09-21T15:58:32Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。