論文の概要: Explainable Binary Classification of Separable Shape Ensembles

• arxiv url: http://arxiv.org/abs/2410.12994v1
• Date: Wed, 16 Oct 2024 19:42:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:18:09.186365
• Title: Explainable Binary Classification of Separable Shape Ensembles
• Title（参考訳）: 分割可能な形状アンサンブルの説明可能なバイナリ分類
• Authors: Zachary Grey, Nicholas Fisher, Andrew Glaws, Gunay Dogan,
• Abstract要約: 材料科学者は、マイクログラフのイメージセグメンテーションを利用して、材料ミクロ構造の粒界を表す大きな曲線アンサンブルを作成する。 分割された曲線の大規模なアンサンブルに対して,新しいパターン認識形式と推論を用いて,この応用を推し進める。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Materials scientists utilize image segmentation of micrographs to create large curve ensembles representing grain boundaries of material microstructures. Observations of these collections of shapes can facilitate inferences about material properties and manufacturing processes. We seek to bolster this application, and related engineering/scientific tasks, using novel pattern recognition formalisms and inference over large ensembles of segmented curves -- i.e., facilitate principled assessments for quantifying differences in distributions of shapes. To this end, we apply a composite integral operator to motivate accurate and efficient numerical representations of discrete planar curves over matrix manifolds. The main result is a rigid-invariant orthonormal decomposition of curve component functions into separable forms of scale variations and complementary features of undulation. We demonstrate how these separable shape tensors -- given thousands of curves in an ensemble -- can inform explainable binary classification of segmented images by utilizing a product maximum mean discrepancy to distinguish the shape distributions; absent labelled data, building interpretable feature spaces in seconds without high performance computation, and detecting discrepancies below cursory visual inspections.
• Abstract（参考訳）: 材料科学者は、マイクログラフのイメージセグメンテーションを利用して、材料ミクロ構造の粒界を表す大きな曲線アンサンブルを作成する。 これらの形状の集合の観察は、材料特性や製造プロセスに関する推論を促進する。 我々は、この応用と関連する工学・科学的なタスクを、新しいパターン認識形式と分割曲線の大規模なアンサンブル(つまり、形状の分布の違いを定量化するための原則化されたアセスメント)に対する推論を用いて強化することを模索する。 この目的のために、合成積分作用素を適用して、行列多様体上の離散平面曲線の正確かつ効率的な数値表現を動機付ける。 主な結果は、曲線成分関数の剛不変直交正規分解を、スケールの変分とアンデュレーションの相補的特徴の分離可能な形式に分解することである。 これらの分離可能な形状テンソル(アンサンブルに数千の曲線が与えられた場合)は、商品の最大平均誤差を利用して、形状分布を識別し、ラベル付きデータを欠如させ、高い性能計算をせずに数秒で解釈可能な特徴空間を構築し、カーソル視覚検査の下の不一致を検出することによって、セグメント画像の2値分類を説明できることを示す。

関連論文リスト

• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Improving Heterogeneous Graph Learning with Weighted Mixed-Curvature Product Manifold [4.640835690336652]
  グラフ表現学習において、入力グラフの複雑な幾何学構造、例えばノード間の隠れ関係は、埋め込み空間においてよく捉えられる。 標準ユークリッド埋め込み空間は、様々な構造のグラフを表現する能力に制限がある。 様々な構造を持つデータの忠実な埋め込みに対する有望な候補は、積多様体の埋め込み空間である。
  論文  参考訳（メタデータ） (2023-07-10T12:20:50Z)
• Parametrizing Product Shape Manifolds by Composite Networks [5.772786223242281]
  形状空間に対する効率的なニューラルネットワーク近似を特別な積構造で学習することは可能であることを示す。 提案アーキテクチャは,低次元因子の近似とその後の組み合わせを別々に学習することで,この構造を利用する。
  論文  参考訳（メタデータ） (2023-02-28T15:31:23Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Shape And Structure Preserving Differential Privacy [70.08490462870144]
  正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。 また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
  論文  参考訳（メタデータ） (2022-09-21T18:14:38Z)
• Curved Geometric Networks for Visual Anomaly Recognition [39.91252195360767]
  データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。 本研究では,データ中の異常やアウト・オブ・ディストリビューション・オブジェクトを解析するための曲線空間の利点について検討する。
  論文  参考訳（メタデータ） (2022-08-02T01:15:39Z)
• Data-Driven Learning of 3-Point Correlation Functions as Microstructure Representations [8.978973486638253]
  様々なミクロ構造が3点相関の簡潔な部分集合によって特徴づけられることを示す。 提案した表現は, 有効媒質理論に基づく材料特性の計算に利用することができる。
  論文  参考訳（メタデータ） (2021-09-06T06:15:57Z)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。