論文の概要: Segmentation of Ink and Parchment in Dead Sea Scroll Fragments

• arxiv url: http://arxiv.org/abs/2411.10668v1
• Date: Sat, 16 Nov 2024 02:06:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:27:33.526428
• Title: Segmentation of Ink and Parchment in Dead Sea Scroll Fragments
• Title（参考訳）: デッドシースクロールフラッグメントにおけるインキのセグメンテーションと構造
• Authors: Berat Kurar-Barakat, Nachum Dershowitz,
• Abstract要約: 本稿では,デッドシースクロール断片のマルチスペクトル画像におけるインク領域とパーチメント領域の分画計算手法を提案する。 新たに開発された20個の断片からなるQumranデータセットを用いて,その特異なスペクトルシグネチャに基づいて,インク領域とパーチメント領域を分離するためにマルチスペクトルしきい値を適用した。 セグメンテーションの精度を向上するために,インクの輪郭を利用したエネルギー最小化手法を導入する。
• 参考スコア（独自算出の注目度）: 1.7626756873727654
• License:
• Abstract: The discovery of the Dead Sea Scrolls over 60 years ago is widely regarded as one of the greatest archaeological breakthroughs in modern history. Recent study of the scrolls presents ongoing computational challenges, including determining the provenance of fragments, clustering fragments based on their degree of similarity, and pairing fragments that originate from the same manuscript -- all tasks that require focusing on individual letter and fragment shapes. This paper presents a computational method for segmenting ink and parchment regions in multispectral images of Dead Sea Scroll fragments. Using the newly developed Qumran Segmentation Dataset (QSD) consisting of 20 fragments, we apply multispectral thresholding to isolate ink and parchment regions based on their unique spectral signatures. To refine segmentation accuracy, we introduce an energy minimization technique that leverages ink contours, which are more distinguishable from the background and less noisy than inner ink regions. Experimental results demonstrate that this Multispectral Thresholding and Energy Minimization (MTEM) method achieves significant improvements over traditional binarization approaches like Otsu and Sauvola in parchment segmentation and is successful at delineating ink borders, in distinction from holes and background regions.
• Abstract（参考訳）: 60年以上前のデッドシー・スクロールの発見は、近代史における最大の考古学的ブレークスルーの1つと見なされている。 最近の研究では、断片の証明、類似度に基づいたフラグメントのクラスタ化、同じ原稿から派生したフラグメントのペア化など、個々の文字やフラグメント形状にフォーカスする必要があるすべてのタスクを含む、進行中の計算上の課題が報告されている。 本稿では,デッドシースクロール断片のマルチスペクトル画像におけるインク領域とパーチメント領域の分画計算手法を提案する。 新たに開発された20個の断片からなるQumran Segmentation Dataset (QSD) を用いて, 特異なスペクトルシグネチャに基づいて, インク領域とパーチメント領域を分離するためにマルチスペクトルしきい値を適用した。 セグメンテーションの精度を向上するために,インクの輪郭を利用したエネルギー最小化手法を導入する。 実験により, このマルチスペクトル閾値とエネルギー最小化(MTEM)法は, パーチメントセグメンテーションにおいて, 大津, ソーボラといった従来の二項化アプローチよりも大幅に改善され, 穴や背景領域と区別して, インク境界の線引きに成功していることが示された。

関連論文リスト

• Segmenting Dead Sea Scroll Fragments for a Scientific Image Set [1.568356637037272]
  本稿では,イスラエル古文書庁(IAA)が収集した画像から,写本の断片を分割するパイプラインについて述べる。 これらの画像は、定規、色、プレート数バーの存在による標準セグメンテーション手法の課題と、インクと様々なバック基板に類似した黒背景を示す。 提案されたパイプラインは、4つのステップで構成されており、カスタマイズされたメソッドを使用して各困難を分離し解決することで、これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-06-21T23:59:42Z)
• SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete Diffusion Process [102.18226145874007]
  そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。 SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。 さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
  論文  参考訳（メタデータ） (2023-12-19T18:53:47Z)
• Betrayed by Captions: Joint Caption Grounding and Generation for Open Vocabulary Instance Segmentation [80.48979302400868]
  オープンな語彙のインスタンスセグメンテーションに注目し、セグメンテーションモデルを拡張して、インスタンスレベルの新しいカテゴリを分類し、セグメンテーションする。 これまでは、画像領域と名詞の字幕間の1対1のマッピングを確立するために、大量の字幕データセットと複雑なパイプラインに頼っていた。 我々は,一致したオブジェクトのみに着目して学習効率を向上させる新しいグラウンドニング損失を取り入れた,共同の textbf Caption Grounding and Generation (CGG) フレームワークを考案した。
  論文  参考訳（メタデータ） (2023-01-02T18:52:12Z)
• You Actually Look Twice At it (YALTAi): using an object detection approach instead of region segmentation within the Kraken engine [0.0]
  我々は,ほとんどのセグメンタが画素分類に重点を置いており,この出力のポリゴン化は,歴史文書における最新のコンペのターゲットとして使用されていないことを示す。 そこで本研究では,画素分類に基づく多角化から,等義長方形を用いた物体検出へ,効率よくタスクをシフトすることを提案する。
  論文  参考訳（メタデータ） (2022-07-19T07:50:16Z)
• A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction [115.9169213834476]
  本稿では,ラベル効率の高いセグメンテーション手法について概説する。 まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。 次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
  論文  参考訳（メタデータ） (2022-07-04T06:21:01Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Deep Neural Networks for Automatic Grain-matrix Segmentation in Plane and Cross-polarized Sandstone Photomicrographs [5.638291203837104]
  粒分別はコンピュータ支援鉱物識別と砂岩分類の第一段階である。 本稿では,粒度区分をピクセル単位の2クラス(すなわち粒度と背景)の意味分割タスクとして定式化する。 深層学習に基づくエンドツーエンドのトレーニング可能なフレームワークであるDeep Grain Semantic Network (DSGSN) を開発した。
  論文  参考訳（メタデータ） (2021-11-13T12:04:06Z)
• Grasp-Oriented Fine-grained Cloth Segmentation without Real Supervision [66.56535902642085]
  本稿では, 深度画像のみを用いて, 変形した衣服のきめ細かい領域検出の問題に取り組む。 最大で6つの意味領域を定義し, 首の縁, スリーブカフ, ヘム, 上と下をつかむ点を含む。 これらの部品のセグメント化とラベル付けを行うために,U-net ベースのネットワークを導入する。 合成データのみを用いてネットワークをトレーニングし、提案したDAが実データでトレーニングしたモデルと競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:31:20Z)
• Learning Anatomical Segmentations for Tractography from Diffusion MRI [0.0]
  拡散強調MR画像から直接170個の解剖学的領域の高速深層学習に基づくセグメンテーションを導入する。 組織型によっては0.70～0.87Diceのセグメンテーション結果が一定であった。
  論文  参考訳（メタデータ） (2020-09-09T16:20:02Z)
• Weakly Supervised Geodesic Segmentation of Egyptian Mummy CT Scans [32.803368565021664]
  我々は、ミイラをデジタルで解き放つことを目的として、体、包帯、宝石など、さまざまなセグメントを識別する。 この問題は、セグメンテーションに異なるセグメンテーション領域のための注釈付きデータがないために複雑である。 本稿では,この課題を解決するために,弱い教師付き,効率的な対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2020-04-17T14:35:00Z)
• Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images [69.74667930907314]
  核分割のための曲げ損失正規化ネットワークを提案する。 提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。 曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
  論文  参考訳（メタデータ） (2020-02-03T21:20:50Z)

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。