論文の概要: MozzaVID: Mozzarella Volumetric Image Dataset

• arxiv url: http://arxiv.org/abs/2412.04880v1
• Date: Fri, 06 Dec 2024 09:23:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:55:25.314942
• Title: MozzaVID: Mozzarella Volumetric Image Dataset
• Title（参考訳）: MozzaVID: Mozzarella Volumetric Image Dataset
• Authors: Pawel Tomasz Pieta, Peter Winkel Rasmussen, Anders Bjorholm Dahl, Jeppe Revall Frisvad, Siavash Arjomand Bigdeli, Carsten Gundlach, Anders Nymark Christensen,
• Abstract要約: MozzaVIDは大規模でクリーンで汎用的なボリューム分類データセットである。 モザレラのX線CT像を含む。 我々は3つの異なる解像度でデータを提供し、結果として591から37,824の画像を含む3つのデータセットインスタンスを生成する。
• 参考スコア（独自算出の注目度）: 4.626777879371501
• License:
• Abstract: Influenced by the complexity of volumetric imaging, there is a shortage of established datasets useful for benchmarking volumetric deep-learning models. As a consequence, new and existing models are not easily comparable, limiting the development of architectures optimized specifically for volumetric data. To counteract this trend, we introduce MozzaVID - a large, clean, and versatile volumetric classification dataset. Our dataset contains X-ray computed tomography (CT) images of mozzarella microstructure and enables the classification of 25 cheese types and 149 cheese samples. We provide data in three different resolutions, resulting in three dataset instances containing from 591 to 37,824 images. While being general-purpose, the dataset also facilitates investigating mozzarella structure properties. The structure of food directly affects its functional properties and thus its consumption experience. Understanding food structure helps tune the production and mimicking it enables sustainable alternatives to animal-derived food products. The complex and disordered nature of food structures brings a unique challenge, where a choice of appropriate imaging method, scale, and sample size is not trivial. With this dataset we aim to address these complexities, contributing to more robust structural analysis models. The dataset can be downloaded from: https://archive.compute.dtu.dk/files/public/projects/MozzaVID/.
• Abstract（参考訳）: ボリュームイメージングの複雑さの影響により、ボリュームディープラーニングモデルのベンチマークに有用な確立されたデータセットが不足している。 その結果、新しいモデルや既存のモデルは簡単には比較できないため、ボリュームデータに最適化されたアーキテクチャの開発が制限される。 この傾向に対応するために,大規模でクリーンで汎用的なボリューム分類データセットであるMozzaVIDを導入する。 本データセットはモザレラのX線CT画像を含んでおり,25種類のチーズと149種のチーズを分類することができる。 我々は3つの異なる解像度でデータを提供し、結果として591から37,824の画像を含む3つのデータセットインスタンスを生成する。 汎用性はあるものの、このデータセットはモザレラの構造特性の調査を容易にする。 食品の構造は、その機能的特性や消費経験に直接影響を及ぼす。 食品構造を理解することは、生産を調整し、動物由来の食品の持続可能な代替品を模倣するのに役立つ。 食品構造の複雑で乱れた性質は、適切な撮像方法、スケール、サンプルサイズの選択が簡単ではないという、ユニークな課題をもたらす。 このデータセットでは、これらの複雑さに対処し、より堅牢な構造解析モデルに寄与することを目指しています。 データセットは、https://archive.compute.dtu.dk/files/public/projects/MozzaVID/からダウンロードできる。

関連論文リスト

• Experimentation in Content Moderation using RWKV [0.7499722271664147]
  本稿では,RWKVモデルによるターゲット実験によるコンテンツモデレーションの有効性について検討する。 より小さなモデルへの蒸留に特化して設計された新しいデータセットを提案する。 私たちは、コンテンツモデレーションシステムのトレーニングと洗練のために、幅広いレスポンスセット(テキストは58,958、画像は83,625)を生成しました。
  論文  参考訳（メタデータ） (2024-09-05T23:17:18Z)
• MetaFood3D: Large 3D Food Object Dataset with Nutrition Values [53.24500333363066]
  このデータセットは、詳細な栄養情報、体重、および包括的栄養データベースに関連付けられた食品コードを含む、108カテゴリにわたる637の細かな3D食品オブジェクトから成っている。 実験の結果、我々のデータセットがアルゴリズムの性能を向上させる重要な可能性を実証し、ビデオキャプチャと3Dスキャンされたデータの間の困難さを強調し、高品質なデータ生成、シミュレーション、拡張におけるMetaFood3Dデータセットの強みを示した。
  論文  参考訳（メタデータ） (2024-09-03T15:02:52Z)
• Foodfusion: A Novel Approach for Food Image Composition via Diffusion Models [48.821150379374714]
  大規模で高品質な食品画像合成データセットFC22kを導入する。 本研究では,前景や背景情報を処理・統合するためのFusion Moduleを組み込んだ新しい食品画像合成手法であるFoodfusionを提案する。
  論文  参考訳（メタデータ） (2024-08-26T09:32:16Z)
• MegaScenes: Scene-Level View Synthesis at Scale [69.21293001231993]
  NVS (Scene-level novel view synthesis) は多くの視覚やグラフィックスの応用に基礎を置いている。 MegaScenesと呼ばれるインターネット写真コレクションから大規模なシーンレベルのデータセットを作成し、世界中の動き(SfM)から100K以上の構造を復元する。 我々は、最先端NVS手法の故障事例を分析し、生成一貫性を大幅に改善する。
  論文  参考訳（メタデータ） (2024-06-17T17:55:55Z)
• A Generative Machine Learning Model for Material Microstructure 3D Reconstruction and Performance Evaluation [4.169915659794567]
  2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。 U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。 さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
  論文  参考訳（メタデータ） (2024-02-24T13:42:34Z)
• Diffusion Model with Clustering-based Conditioning for Food Image Generation [22.154182296023404]
  深層学習に基づく手法は、食品分類、セグメンテーション、部分サイズ推定などの画像解析に一般的に用いられている。 潜在的な解決策の1つは、データ拡張に合成食品画像を使用することである。 本稿では,高品質で代表的な食品画像を生成するための効果的なクラスタリングベースのトレーニングフレームワークであるClusDiffを提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:40:39Z)
• TASTEset -- Recipe Dataset and Food Entities Recognition Benchmark [1.0569625612398386]
  NERモデルは、レシピの処理に役立つ様々なタイプのエンティティを発見または推測することが期待されている。 データセットは700のレシピで構成され、13,000以上のエンティティを抽出する。 私たちは、名前付きエンティティ認識モデルの最先端のベースラインをいくつか提供しています。
  論文  参考訳（メタデータ） (2022-04-16T10:52:21Z)
• A Large-Scale Benchmark for Food Image Segmentation [62.28029856051079]
  我々は9,490枚の画像を含む新しい食品画像データセットFoodSeg103(およびその拡張FoodSeg154)を構築します。 これらの画像に154種類の成分を付加し,各画像は平均6つの成分ラベルと画素単位のマスクを有する。 ReLeMと呼ばれるマルチモダリティプリトレーニングアプローチを提案し、豊富なセマンティックな食品知識を持つセグメンテーションモデルを明確に装備します。
  論文  参考訳（メタデータ） (2021-05-12T03:00:07Z)
• Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
  階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。 実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-05-05T16:41:00Z)
• Counting dense objects in remote sensing images [52.182698295053264]
  特定の画像から関心のあるオブジェクトの数を推定するのは、難しいが重要な作業である。 本稿では,リモートセンシング画像から高密度物体を数えることに興味がある。 これらの課題に対処するために,我々はまず,リモートセンシング画像に基づく大規模オブジェクトカウントデータセットを構築した。 次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-02-14T09:13:54Z)

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。