論文の概要: An approximate graph elicits detonation lattice
- arxiv url: http://arxiv.org/abs/2603.16524v1
- Date: Tue, 17 Mar 2026 13:46:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.309969
- Title: An approximate graph elicits detonation lattice
- Title（参考訳）: 近似グラフによる起爆格子の導出
- Abstract要約: 提案アルゴリズムは3次元圧力跡から細胞パターンを正確に抽出する。
このフレームワークは堅牢だが、高度に複雑な細胞パターンを確実に分割し定量化するのは難しい。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study presents a novel algorithm based on graph theory for the precise segmentation and measurement of detonation cells from 3D pressure traces, termed detonation lattices, addressing the limitations of manual and primitive 2D edge detection methods prevalent in the field. Using a segmentation model, the proposed training-free algorithm is designed to accurately extract cellular patterns, a longstanding challenge in detonations research. First, the efficacy of segmentation on generated data is shown with a prediction error 2%. Next, 3D simulation data is used to establish performance of the graph-based workflow. The results of statistics and joint probability densities show oblong cells aligned with the wave propagation axis with 17% deviation, whereas larger dispersion in volume reflects cubic amplification of linear variability. Although the framework is robust, it remains challenging to reliably segment and quantify highly complex cellular patterns. However, the graph-based formulation generalizes across diverse cellular geometries, positioning it as a practical tool for detonation analysis and a strong foundation for future extensions in triple-point collision studies.
- Abstract（参考訳）: 本研究では,手動およびプリミティブな2次元エッジ検出手法の限界に対処するため,3次元圧力トレースからのデトネーションセルの精密セグメンテーションと測定のためのグラフ理論に基づく新しいアルゴリズムを提案する。
セグメンテーションモデルを用いて、提案するトレーニングフリーアルゴリズムは、爆発研究における長年の課題である細胞パターンを正確に抽出するように設計されている。
まず、生成データに対するセグメンテーションの有効性を予測誤差2%で示す。
次に、グラフベースのワークフローの性能を確立するために、3Dシミュレーションデータを使用する。
統計値と結合確率密度の結果から,波動伝播軸に17%の偏差が認められたが,体積の分散は線形変動の3次増幅を反映していることがわかった。
このフレームワークは堅牢だが、高度に複雑な細胞パターンを確実に分割し定量化するのは難しい。
しかし、グラフベースの定式化は、様々なセル・ジオメトリーをまたがって一般化し、デトネーション解析の実践的なツールとして位置づけ、三点衝突研究における将来の拡張のための強力な基盤となっている。
関連論文リスト
- Deep Learning-Based Characterization of Detonation-Cell Size Distributions in Soot-Foil Records [2.238128434525916]
深層学習インスタンスセグメンテーション(Mask R-CNN)に基づくデトネーションセルの自動認識と高次特徴抽出手法を提案する。
その結果、ベンチマーク検証における高ピクセルレベルの一致と、複雑な現実世界のすすきのノイズに対する強靭性を示す。
提案手法は, 統計的解析の効率性と客観性を向上し, 実験用および数値用スズホイルのための強力なデータ抽出ツールを提供する。
論文 参考訳（メタデータ） (2026-07-04T08:32:39Z) - Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity [93.52679474816728]
拡散モデルは、生成モデリングにおける主要なフレームワークとなっている。
本稿では,拡散モデルが構造データをどのように学習するかを,統計的複雑性とデータ幾何学的性質の影響の2つの重要な側面に焦点をあてる。
また、スコア関数の構造と多様体曲率の相互作用も強調する。
論文 参考訳（メタデータ） (2026-03-21T04:40:19Z) - Enabling Probabilistic Learning on Manifolds through Double Diffusion Maps [3.081704060720176]
本稿では,PLoM(Probabilistic Learning on Manifolds)アプローチの拡張に基づく確率的サンプリングのための生成学習フレームワークを提案する。
我々は、システム全体の動的複雑さを保ちながら、潜在空間で直接、全順序ISDEを解く。
論文 参考訳（メタデータ） (2025-06-02T20:58:49Z) - 3D Cell Oversegmentation Correction via Geo-Wasserstein Divergence [6.0532832719253]
オーバーセグメンテーション(Oversegmentation)とは、1つの細胞が誤って複数のフラグメントに分割された場合である。
これは最終的なセグメンテーションの品質を低下させ、解決するのが非常に難しいことで知られている。
本稿では,これらの誤りを特定し,修正するための幾何学的枠組みを提案する。
また、新しい測度であるGeo-Wasserstein divergenceを導入し、2次元測地の変化を定量化する。
論文 参考訳（メタデータ） (2025-02-03T23:47:45Z) - A Machine Learning Based Approach for Statistical Analysis of Detonation Cells from Soot Foils [0.0]
提案アルゴリズムは、トレーニング手順やデータセットを使わずに、正確に細胞パターンを抽出するように設計されている。
その結果、複雑な場合であっても10%以内の誤差が残っており、一貫した精度が示された。
この研究は、デトネーション波動力学の理解を深めるためのアルゴリズムの幅広い適用性とポテンシャルを強調している。
論文 参考訳（メタデータ） (2024-09-10T12:50:46Z) - Dynamical Regimes of Diffusion Models [14.797301819675454]
空間の次元とデータ数が大きい体制における生成拡散モデルについて検討する。
本研究は, 逆向き発生拡散過程における3つの異なる動的状態を明らかにするものである。
崩壊時間の次元とデータ数への依存性は、拡散モデルにおける次元の呪いの徹底的な評価を与える。
論文 参考訳（メタデータ） (2024-02-28T17:19:26Z) - Data Augmentation for Supervised Graph Outlier Detection via Latent Diffusion Models [39.33024157496401]
本稿では,教師付きグラフ外乱検出におけるクラス不均衡を緩和する新しいデータ拡張であるGODMを紹介する。
複数のデータセットに対して行われた大規模な実験は、GODMの有効性と効率を裏付けるものである。
GODMをプラグイン・アンド・プレイパッケージにカプセル化し,PyPIでリリースする。
論文 参考訳（メタデータ） (2023-12-29T16:50:40Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳（メタデータ） (2023-11-30T18:59:44Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳（メタデータ） (2023-08-16T13:10:27Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Graph Generation with Diffusion Mixture [57.78958552860948]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:07:46Z) - Detecting Rotated Objects as Gaussian Distributions and Its 3-D
Generalization [81.29406957201458]
既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。
このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。
回転した物体をガウス分布としてモデル化することを提案する。
2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
論文 参考訳（メタデータ） (2022-09-22T07:50:48Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳（メタデータ） (2020-03-02T16:40:36Z)
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。