論文の概要: Physics and Deep Learning in Computational Wave Imaging

• arxiv url: http://arxiv.org/abs/2410.08329v1
• Date: Thu, 10 Oct 2024 19:32:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 03:56:20.264572
• Title: Physics and Deep Learning in Computational Wave Imaging
• Title（参考訳）: 計算波イメージングにおける物理と深層学習
• Authors: Youzuo Lin, Shihang Feng, James Theiler, Yinpeng Chen, Umberto Villa, Jing Rao, John Greenhall, Cristian Pantea, Mark A. Anastasio, Brendt Wohlberg,
• Abstract要約: 計算波イメージング(CWI)は、物質体積の隠れ構造と物理的性質を抽出する。 CWI問題を解くための現在のアプローチは、伝統的な物理学に根ざしたものと、ディープラーニングに基づくものに分けられる。 機械学習ベースの計算手法が登場し、これらの課題に対処するための異なる視点を提供する。
• 参考スコア（独自算出の注目度）: 24.99422165859396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational wave imaging (CWI) extracts hidden structure and physical properties of a volume of material by analyzing wave signals that traverse that volume. Applications include seismic exploration of the Earth's subsurface, acoustic imaging and non-destructive testing in material science, and ultrasound computed tomography in medicine. Current approaches for solving CWI problems can be divided into two categories: those rooted in traditional physics, and those based on deep learning. Physics-based methods stand out for their ability to provide high-resolution and quantitatively accurate estimates of acoustic properties within the medium. However, they can be computationally intensive and are susceptible to ill-posedness and nonconvexity typical of CWI problems. Machine learning-based computational methods have recently emerged, offering a different perspective to address these challenges. Diverse scientific communities have independently pursued the integration of deep learning in CWI. This review delves into how contemporary scientific machine-learning (ML) techniques, and deep neural networks in particular, have been harnessed to tackle CWI problems. We present a structured framework that consolidates existing research spanning multiple domains, including computational imaging, wave physics, and data science. This study concludes with important lessons learned from existing ML-based methods and identifies technical hurdles and emerging trends through a systematic analysis of the extensive literature on this topic.
• Abstract（参考訳）: 計算波画像(CWI)は、その体積を横切る波信号を解析することにより、材料の体積の隠れた構造と物理的性質を抽出する。 応用例としては、地球の地下の地震探査、音響イメージング、材料科学における非破壊試験、医学における超音波CTなどがある。 CWI問題を解くための現在のアプローチは、伝統的な物理学に根ざしたものとディープラーニングに基づくものとの2つのカテゴリに分けられる。 物理に基づく手法は、媒体内の音響特性を高分解能で定量的に推定する能力で際立っている。 しかし、これらは計算集約的であり、CWI問題に典型的な不合理性や非凸性に影響を受けやすい。 機械学習ベースの計算手法が最近登場し、これらの課題に対処するための異なる視点を提供している。 様々な科学コミュニティが独立して、CWIにおける深層学習の統合を追求している。 このレビューでは、CWI問題に対処するために、現代の科学的機械学習(ML)技術、特にディープニューラルネットワークがどのように活用されているかが詳しく述べられている。 本稿では,計算画像,波動物理,データサイエンスなど,複数の領域にまたがる既存の研究を集約する構造的枠組みを提案する。 本研究は、既存のMLベースの手法から学んだ重要な教訓と、このトピックに関する広範な文献の体系的分析を通じて、技術的ハードルと新興トレンドを識別する。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Point Neuron Learning: A New Physics-Informed Neural Network Architecture [8.545030794905584]
  本稿では,新しい物理インフォームドニューラルネットワークアーキテクチャを提案する。 これは、波動方程式の基本的な解をネットワークアーキテクチャに埋め込んで、学習したモデルが厳密に波動方程式を満たすことを可能にする。 他のPINN手法と比較して、我々の手法は複素数を直接処理し、より優れた解釈可能性と一般化性を提供する。
  論文  参考訳（メタデータ） (2024-08-30T02:07:13Z)
• Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
  電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。 機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。 本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
  論文  参考訳（メタデータ） (2022-07-26T02:10:15Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Physics-Driven Deep Learning for Computational Magnetic Resonance Imaging [7.404599356384102]
  物理駆動型深層学習法は、MRI(Computer magnetic resonance imaging)問題のための強力なツールとして登場した。 本稿では、物理情報を学習型MRI再構成に組み込んだ最近の進歩の概要について述べる。
  論文  参考訳（メタデータ） (2022-03-23T06:04:11Z)
• Physics-informed ConvNet: Learning Physical Field from a Shallow Neural Network [0.180476943513092]
  マルチ物理システムのモデル化と予測は、避けられないデータ不足とノイズのために依然として課題である。 物理インフォームド・コンボリューション・ネットワーク(PICN)と呼ばれる新しいフレームワークは、CNNの観点から推奨されている。 PICNは物理インフォームド機械学習において、代替のニューラルネットワークソルバとなる可能性がある。
  論文  参考訳（メタデータ） (2022-01-26T14:35:58Z)
• Neural Fields in Visual Computing and Beyond [54.950885364735804]
  機械学習の最近の進歩は、座標ベースニューラルネットワークを用いた視覚コンピューティング問題の解決への関心が高まっている。 ニューラルネットワークは、3D形状と画像の合成、人体のアニメーション、3D再構成、ポーズ推定に成功している。 本報告は、文脈、数学的基礎、および、ニューラルネットワークに関する文献の広範なレビューを提供する。
  論文  参考訳（メタデータ） (2021-11-22T18:57:51Z)
• DeepPhysics: a physics aware deep learning framework for real-time simulation [0.0]
  データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。 ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。 その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
  論文  参考訳（メタデータ） (2021-09-17T12:15:47Z)
• Deep Recurrent Encoder: A scalable end-to-end network to model brain signals [122.1055193683784]
  複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。 1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
  論文  参考訳（メタデータ） (2021-03-03T11:39:17Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• Deep Learning-Based Solvability of Underdetermined Inverse Problems in Medical Imaging [3.2214522506924093]
  本研究は,ディープラーニングに適したトレーニングデータの構造に関する因果関係を学習し,高度に過小評価された逆問題を解決することに焦点を当てた。 医用画像における未決定線形システムの解法のほとんどは非線形である。 さらに、トレーニングデータから所望の再構成マップを学習可能かどうか、および過小判定システムから分析する。
  論文  参考訳（メタデータ） (2020-01-06T07:52:37Z)

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。