論文の概要: Computed tomography using meta-optics

• arxiv url: http://arxiv.org/abs/2411.08995v1
• Date: Wed, 13 Nov 2024 19:34:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:23:52.989367
• Title: Computed tomography using meta-optics
• Title（参考訳）: メタ光学を用いたCT
• Authors: Maksym Zhelyeznuyakov, Johannes E. Fröch, Shane Colburn, Steven L. Brunton, Arka Majumdar,
• Abstract要約: コンピュータビジョンタスクは、画像分類、セグメンテーション、特徴抽出を行うために大量のデータを処理する必要がある。 光プリプロセッサはコンピュータビジョンタスクに必要な浮動小数点演算数を削減できる可能性がある。 本稿では,視力訓練の必要性を回避したラドン変換を実装したメタオプティカル・イメージラを提案する。
• 参考スコア（独自算出の注目度）: 2.0771751014539532
• License:
• Abstract: Computer vision tasks require processing large amounts of data to perform image classification, segmentation, and feature extraction. Optical preprocessors can potentially reduce the number of floating point operations required by computer vision tasks, enabling low-power and low-latency operation. However, existing optical preprocessors are mostly learned and hence strongly depend on the training data, and thus lack universal applicability. In this paper, we present a metaoptic imager, which implements the Radon transform obviating the need for training the optics. High quality image reconstruction with a large compression ratio of 0.6% is presented through the use of the Simultaneous Algebraic Reconstruction Technique. Image classification with 90% accuracy is presented on an experimentally measured Radon dataset through neural network trained on digitally transformed images.
• Abstract（参考訳）: コンピュータビジョンタスクは、画像分類、セグメンテーション、特徴抽出を行うために大量のデータを処理する必要がある。 光プリプロセッサは、コンピュータビジョンタスクに必要な浮動小数点演算数を減らし、低消費電力かつ低レイテンシな演算を可能にする。 しかし、既存の光学プリプロセッサはほとんどが学習されており、したがってトレーニングデータに強く依存しているため、普遍的な適用性に欠ける。 本稿では,光学のトレーニングの必要性を回避したRadon変換を実装したメタオプティカル・イメージラを提案する。 圧縮率0.6%の高画質画像再構成は, 同時代数再構成技術を用いて行った。 デジタル変換された画像に基づいてトレーニングされたニューラルネットワークを介して、90%の精度で画像分類を実験的に測定したRadonデータセットに提示する。

関連論文リスト

• Transferable polychromatic optical encoder for neural networks [13.311727599288524]
  本稿では,画像キャプチャ中に3つの色チャネルで同時に畳み込みを行う光学エンコーダを実演する。 このような光学符号化は計算処理を24,000倍に削減し、自由空間光学系における最先端の分類精度(73.2%)が得られる。
  論文  参考訳（メタデータ） (2024-11-05T00:49:47Z)
• Automated Segmentation and Analysis of Microscopy Images of Laser Powder Bed Fusion Melt Tracks [0.0]
  断面画像から溶融トラック次元を自動的に識別し,計測する画像分割ニューラルネットワークを提案する。 我々は、U-Netアーキテクチャを用いて、異なる研究室、機械、材料から得られた62個の事前ラベル付き画像のデータセットと、画像拡張を併用したトレーニングを行う。
  論文  参考訳（メタデータ） (2024-09-26T22:44:00Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Procedural Image Programs for Representation Learning [62.557911005179946]
  我々は,2万プログラムからなる大規模なデータセットを用いて,多様な合成画像を生成する訓練を提案する。 これらのプログラムは短いコードスニペットであり、変更が容易で、高速に実行することができる。 提案したデータセットは、教師付きおよび教師なしの表現学習の両方に使用することができ、実際の画像と手続き的に生成された画像との事前学習のギャップを38%削減する。
  論文  参考訳（メタデータ） (2022-11-29T17:34:22Z)
• Deep learning at the edge enables real-time streaming ptychographic imaging [7.4083593332068975]
  プチコグラフィーのようなコヒーレントな顕微鏡技術は、ナノスケールの材料特性に革命をもたらす可能性がある。 従来のアプローチでは、高速コヒーレントイメージング実験からサンプル画像をリアルタイムで回収するのに十分ではない。 ここでは、エッジでの人工知能と高性能コンピューティングを活用して、検出器から直接最大2kHzでストリーミングされるX線写真データのリアルタイムインバージョンを可能にするワークフローを実演する。
  論文  参考訳（メタデータ） (2022-09-20T02:02:37Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network [0.0]
  深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。 提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
  論文  参考訳（メタデータ） (2021-05-01T14:54:57Z)
• An optical neural network using less than 1 photon per multiplication [4.003843776219224]
  手書き桁分類において99%の精度を達成する光ニューラルネットワークを実験的に実証した。 この性能は、カスタム自由空間光学プロセッサを使用して達成された。 私達の結果は低光力操作のための原則を提供します。
  論文  参考訳（メタデータ） (2021-04-27T20:43:23Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。