論文の概要: Isometric Transformations for Image Augmentation in Mueller Matrix Polarimetry

• arxiv url: http://arxiv.org/abs/2411.07918v1
• Date: Tue, 12 Nov 2024 16:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:28.285821
• Title: Isometric Transformations for Image Augmentation in Mueller Matrix Polarimetry
• Title（参考訳）: Mueller Matrix Polarimetry における画像拡張のための等尺変換
• Authors: Christopher Hahne, Omar Rodriguez-Nunez, Éléa Gros, Théotim Lucas, Ekkehard Hewer, Tatiana Novikova, Theoni Maragkou, Philippe Schucht, Richard McKinley,
• Abstract要約: ミューラー行列偏光法は、試料との偏光相互作用に関する重要な情報を取得する。 回転やフリップのような標準的な変換は、ミューラー行列像の偏光特性を保たない。 物理的に一貫した回転とフリップをミュラー行列に適用する多目的シミュレーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.33959569757548
• License:
• Abstract: Mueller matrix polarimetry captures essential information about polarized light interactions with a sample, presenting unique challenges for data augmentation in deep learning due to its distinct structure. While augmentations are an effective and affordable way to enhance dataset diversity and reduce overfitting, standard transformations like rotations and flips do not preserve the polarization properties in Mueller matrix images. To this end, we introduce a versatile simulation framework that applies physically consistent rotations and flips to Mueller matrices, tailored to maintain polarization fidelity. Our experimental results across multiple datasets reveal that conventional augmentations can lead to misleading results when applied to polarimetric data, underscoring the necessity of our physics-based approach. In our experiments, we first compare our polarization-specific augmentations against real-world captures to validate their physical consistency. We then apply these augmentations in a semantic segmentation task, achieving substantial improvements in model generalization and performance. This study underscores the necessity of physics-informed data augmentation for polarimetric imaging in deep learning (DL), paving the way for broader adoption and more robust applications across diverse research in the field. In particular, our framework unlocks the potential of DL models for polarimetric datasets with limited sample sizes. Our code implementation is available at github.com/hahnec/polar_augment.
• Abstract（参考訳）: ミューラー行列偏光法は、試料との偏光相互作用の本質的な情報を取得し、その異なる構造のために深層学習におけるデータ拡張に固有の課題を提示する。 拡張はデータセットの多様性を高め、オーバーフィッティングを減らすための効果的で安価な方法であるが、回転やフリップのような標準的な変換は、ミューラー行列画像の偏光特性を保たない。 この目的のために, 偏光忠実度を維持するために調整された, 物理的に一貫した回転と反転をミュラー行列に適用する多目的シミュレーションフレームワークを導入する。 複数のデータセットにまたがる実験結果から、従来の拡張は偏光データに適用する際の誤解を招く可能性を示し、物理に基づくアプローチの必要性を裏付ける。 実験では、まず、偏光特異的な拡張と実世界のキャプチャを比較して、それらの物理的整合性を検証する。 次に、これらの拡張をセマンティックセグメンテーションタスクに適用し、モデルの一般化と性能を大幅に改善する。 本研究は、ディープラーニング(DL)における偏光イメージングのための物理インフォームドデータ拡張の必要性を浮き彫りにして、この分野の多様な研究にまたがって、より広く採用され、より堅牢な応用を実現するための道を開いたものである。 特に,本フレームワークは,サンプルサイズが限定された偏光データに対するDLモデルの可能性を解き放つ。 コード実装はgithub.com/hahnec/polar_augmentで利用可能です。

関連論文リスト

• Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
  様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。 まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。 大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-05T17:55:33Z)
• Coupled generator decomposition for fusion of electro- and magnetoencephalography data [1.7102695043811291]
  データ融合モデリングは、ソース固有の変数を考慮に入れながら、多様なデータソースにまたがる共通の特徴を識別することができる。 本稿では、テキスト結合型ジェネレータ分解の概念を導入し、データ融合のためのスパース主成分分析をいかに一般化するかを示す。
  論文  参考訳（メタデータ） (2024-03-02T12:09:16Z)
• Learning Collective Variables with Synthetic Data Augmentation through Physics-Inspired Geodesic Interpolation [1.4972659820929493]
  分子動力学シミュレーションでは、タンパク質の折り畳みのようなまれな事象は、通常、強化されたサンプリング技術を用いて研究される。 本研究では,タンパク質の折り畳み遷移に類似した測地線を生成するために物理に着想を得た指標を用いたシミュレーションフリーなデータ拡張戦略を提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:35:02Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• DepthFormer: Exploiting Long-Range Correlation and Local Information for Accurate Monocular Depth Estimation [50.08080424613603]
  高精度な単分子深度推定には長距離相関が不可欠である。 我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。 提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
  論文  参考訳（メタデータ） (2022-03-27T05:03:56Z)
• Polarimetric image augmentation [0.7559720049837457]
  反射鏡は都市環境における 自律的なナビゲーションを阻害します 本稿では,偏光データに適用した正規化拡張手法により,ディープラーニングモデルを強化することを提案する。 実世界データにおける非強化トレーニングと正規化トレーニングの間には,平均18.1%のIoU改善が観察されている。
  論文  参考訳（メタデータ） (2020-05-22T08:00:12Z)

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。