論文の概要: BeeNet: Reconstructing Flower Shapes from Electric Fields using Deep Learning
- arxiv url: http://arxiv.org/abs/2508.11724v1
- Date: Fri, 15 Aug 2025 05:59:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.33925
- Title: BeeNet: Reconstructing Flower Shapes from Electric Fields using Deep Learning
- Title（参考訳）: BeeNet:ディープラーニングによる電場からの花形再構築
- Authors: Jake Turley, Ryan A. Palmer, Isaac V. Chenchiah, Daniel Robert,
- Abstract要約: 電場情報を復号化して環境特性を再構築できることを示す。
本研究では,近傍の荷電蜂が生み出す電場から偏光性花の形状を推定できるアルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Arthropods, including pollinators, respond to environmental electrical fields. Here, we show that electric field information can be decoded to reconstruct environmental features. We develop an algorithm capable of inferring the shapes of polarisable flowers from the electric field generated by a nearby charged bee. We simulated electric fields arising from bee flower interactions for flowers with varying petal geometries. These simulated data were used to train a deep learning UNet model to recreate petal shapes. The model accurately reconstructed diverse flower shapes including more complex flower shapes not included in training. Reconstruction performance peaked at an optimal bee flower distance, indicating distance-dependent encoding of shape information. These findings show that electroreception can impart rich spatial detail, offering insights into arthropod environmental perception.
- Abstract（参考訳）: 受粉者を含む節足動物は、環境電界に反応する。
ここでは、電場情報をデコードして環境特性を再構築できることを示す。
本研究では,近傍の荷電蜂が生み出す電場から偏光性花の形状を推定できるアルゴリズムを開発した。
花の花間相互作用から生じる電界のシミュレーションを行った。
これらのシミュレーションデータは、深層学習UNetモデルを訓練して花弁形状を再現するために使用された。
モデルは、トレーニングに含まれないより複雑な花形を含む多様な花形を正確に再構成した。
復元性能は, 形状情報の距離依存符号化を示す最適蜂花距離でピークに達した。
これらの結果から, 電気受容は, 関節足動物の環境知覚に対する洞察を与えながら, 空間的細部を豊かに表現できることが示唆された。
関連論文リスト
- Generative 3D Cardiac Shape Modelling for In-Silico Trials [0.0]
人工大動脈の形状をモデル化・生成する深層学習法を提案する。
このネットワークは、CT画像から再構成された大動脈根メッシュのデータセットに基づいて訓練される。
学習した埋め込みベクトルからサンプリングすることで、実際の患者解剖に類似した新しい形状を生成することができる。
論文 参考訳（メタデータ） (2024-09-24T12:59:18Z) - Neural Echos: Depthwise Convolutional Filters Replicate Biological
Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。
生体受容の分野からインスピレーションを得る手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T18:06:22Z) - Zoom in on the Plant: Fine-grained Analysis of Leaf, Stem and Vein
Instances [3.399289369740637]
本研究では,葉,茎,静脈などの微細な表現型情報を抽出するモデルを開発した。
基盤となるデータセットRumexLeavesは公開されており、この種の最初のものである。
キーポイント誘導ポリラインの概念に従う適応された計量POKSを導入する。
論文 参考訳（メタデータ） (2023-12-14T10:45:54Z) - A Generative Shape Compositional Framework to Synthesise Populations of
Virtual Chimaeras [52.33206865588584]
複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。
心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。
提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
論文 参考訳（メタデータ） (2022-10-04T13:36:52Z) - Generative Deformable Radiance Fields for Disentangled Image Synthesis
of Topology-Varying Objects [52.46838926521572]
3D認識生成モデルは、モノクロ2D画像の集合から3Dニューラル放射場(NeRF)を生成するスーパーブパフォーマンスを実証した。
本研究では, トポロジー変化物体の放射場を非交絡形状と外観変化で合成する生成モデルを提案する。
論文 参考訳（メタデータ） (2022-09-09T08:44:06Z) - Identify The Beehive Sound Using Deep Learning [0.0]
ハチはすべての開花植物の約75%を受粉する。
環境汚染、気候変動、自然景観の解体などにより、自然の生息地は脅かされている。
ビーヒーブ音の録音に音響的分類を適用することは、その内部の変化を検出する方法であるかもしれない。
論文 参考訳（メタデータ） (2022-09-03T09:07:39Z) - PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval
and Deformation [59.70430570779819]
本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。
私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。
部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
論文 参考訳（メタデータ） (2022-07-24T18:59:09Z) - DECOR-GAN: 3D Shape Detailization by Conditional Refinement [50.8801457082181]
本稿では,3次元形状詳細化のための深層生成ネットワークについて紹介する。
提案手法は, 粗い形状を様々な形状の細かな形状に洗練することができることを示す。
論文 参考訳（メタデータ） (2020-12-16T18:52:10Z)
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。