論文の概要: Learned enclosure method for experimental EIT data

• arxiv url: http://arxiv.org/abs/2504.11512v1
• Date: Tue, 15 Apr 2025 12:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:38:10.825002
• Title: Learned enclosure method for experimental EIT data
• Title（参考訳）: 実験用EITデータのための学習型囲い法
• Authors: Sara Sippola, Siiri Rautio, Andreas Hauptmann, Takanori Ide, Samuli Siltanen,
• Abstract要約: 本稿では,池畑が提案する囲い込み法とニューラルネットワークを組み合わせることで,境界測定から包含物の凸包を推定する方法を提案する。 最小二乗の整合性を持つ古典的閉包法と比較して, 学習された凸船体は, シミュレーションデータと実験データの両方において優れた性能を発揮する。
• 参考スコア（独自算出の注目度）: 1.4602363426887832
• License:
• Abstract: Electrical impedance tomography (EIT) is a non-invasive imaging method with diverse applications, including medical imaging and non-destructive testing. The inverse problem of reconstructing internal electrical conductivity from boundary measurements is nonlinear and highly ill-posed, making it difficult to solve accurately. In recent years, there has been growing interest in combining analytical methods with machine learning to solve inverse problems. In this paper, we propose a method for estimating the convex hull of inclusions from boundary measurements by combining the enclosure method proposed by Ikehata with neural networks. We demonstrate its performance using experimental data. Compared to the classical enclosure method with least squares fitting, the learned convex hull achieves superior performance on both simulated and experimental data.
• Abstract（参考訳）: 電気インピーダンストモグラフィー (EIT) は、医療画像や非破壊検査など様々な応用の非侵襲イメージング手法である。 境界測定から内部電気伝導度を復元する逆問題は非線形であり、高度に故障しているため、正確に解くのが困難である。 近年,解析手法と機械学習を組み合わせた逆問題の解法への関心が高まっている。 本稿では,池畑が提案する囲い込み法とニューラルネットワークを組み合わせることで,境界値から包含物の凸包を推定する手法を提案する。 実験データを用いてその性能を実証する。 最小二乗の整合性を持つ古典的閉包法と比較して, 学習された凸船体は, シミュレーションデータと実験データの両方において優れた性能を発揮する。

関連論文リスト

• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• ASPIRE: Iterative Amortized Posterior Inference for Bayesian Inverse Problems [0.974963895316339]
  機械学習と変分推論(VI)の新たな進歩は、例から学ぶことによって計算障壁を下げた。 異なるトレードオフを表す2つのVIパラダイムが登場した。 我々は,同じネットワークアーキテクチャとトレーニングデータを用いて,償却後部を反復的に改善するソリューションを提案する。
  論文  参考訳（メタデータ） (2024-05-08T20:03:12Z)
• Electrical Impedance Tomography: A Fair Comparative Study on Deep Learning and Analytic-based Approaches [2.7392924984179348]
  EIT(Electronic Impedance Tomography)は、様々な応用の強力なイメージング技術である。 EIT逆問題(EIT inverse problem)とは、物体の内部伝導率分布を、その境界で測定した値から推定することである。 近年、分析ベースのアプローチとディープラーニングの革新によって、大きな進歩が見られた。
  論文  参考訳（メタデータ） (2023-10-28T08:45:51Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Electrical Impedance Tomography with Deep Calder\'on Method [4.228167013618626]
  電気インピーダンストモグラフィ(EIT)は、被検体表面の電流密度/電圧データを利用した非侵襲的医療画像モダリティである。 Calder'on の手法は比較的最近の EIT イメージングアルゴリズムであり、非定常的で高速で、複雑な値の電気インピーダンスを再構成することができる。 本研究では,深い畳み込みニューラルネットワーク(すなわちU-net)を効果的に標的とした後処理ステップとして用いたCalder'on法の改良版を開発する。
  論文  参考訳（メタデータ） (2023-04-18T15:47:15Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Inverse Problem of Nonlinear Schr\"odinger Equation as Learning of Convolutional Neural Network [5.676923179244324]
  提案手法を用いて,パラメータの相対的精度を推定できることを示す。 深い学習を伴う偏微分方程式の逆問題における自然な枠組みを提供する。
  論文  参考訳（メタデータ） (2021-07-19T02:54:37Z)
• Learning Fast Approximations of Sparse Nonlinear Regression [50.00693981886832]
  本研究では,Threshold Learned Iterative Shrinkage Algorithming (NLISTA)を導入することでギャップを埋める。 合成データを用いた実験は理論結果と相関し,その手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-26T11:31:08Z)
• Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
  機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。 本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。 実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T17:25:12Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Enhancement of shock-capturing methods via machine learning [0.0]
  我々は不連続解を用いてPDEをシミュレートするための改良された有限体積法を開発した。 5階WENO法の結果を改善するためにニューラルネットワークを訓練する。 数値解が過度に拡散するシミュレーションにおいて,本手法はWENOよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-06T21:51:39Z)

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。