論文の概要: LinePilot Digitizer: Line-Plot Recovery with Manual and Automatic Calibration
- arxiv url: http://arxiv.org/abs/2609.19377v1
- Date: Wed, 16 Sep 2026 19:56:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.992639
- Title: LinePilot Digitizer: Line-Plot Recovery with Manual and Automatic Calibration
- Title（参考訳）: LinePilot Digitizer:手動・自動校正によるLine-Plotリカバリ
- Abstract要約: LinePilot(標準)、LinePilot(拡張)、LinePilot(OCR)の3つのキャリブレーションモードと連続色に基づく曲線回復を組み合わせたLinePilot Digitizer(LinePilot)を提案する。
また、ディジタイザのパフォーマンスを体系的に評価する最初の専用ベンチマークであるDigitizerBenchについても紹介する。
- 参考スコア（独自算出の注目度）: 11.579343501418771
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recovering numerical series from line plots requires accurate axis calibration and reliable curve extraction. We present LinePilot Digitizer (LinePilot), which combines continuous color-based curve recovery with three calibration modes: LinePilot (standard), LinePilot (enhanced), and LinePilot (OCR). We also introduce DigitizerBench, the first dedicated benchmark for systematically evaluating digitizer performance, using an orthogonal design spanning signal, rendering, and plot-structure factors with complementary automatic and human-guided evaluations. We evaluate performance using failure-penalized capped normalized root-mean-square error (FPC-NRMSE), which assigns unit loss to missing, unusable, or catastrophically inaccurate outputs. On DigitizerBench-Full, LinePilot (OCR) achieves the lowest mean FPC-NRMSE (0.672) and highest trusted usability (38.2%) among the tested automatic pipelines. On DigitizerBench-Lite, LinePilot (enhanced) achieves the lowest mean FPC-NRMSE (0.081), 100% output success, and highest trusted usability (93.3%). The orthogonal benchmark design further enables factor analysis to identify the factors that most significantly affect digitizer performance. Together, the three calibration modes provide a practical trade-off between automation, user control, and accuracy within a shared curve-recovery workflow.
- Abstract（参考訳）: 線プロットから数値列を復元するには、正確な軸キャリブレーションと信頼性のある曲線抽出が必要である。
LinePilot(標準)、LinePilot(拡張)、LinePilot(OCR)の3つのキャリブレーションモードと連続的なカラーベースの曲線回復を組み合わせたLinePilot Digitizer(LinePilot)を提案する。
また、ディジタイザ性能を体系的に評価するための最初の専用ベンチマークであるDigitizerBenchを導入し、直交的な信号、レンダリング、およびプロット構造要素を補完的な自動的およびヒューマンガイドによる評価で使用した。
FPC-NRMSE(Falt-penalized Calped normalized root-mean-square error)を用いて,不使用,不使用,破滅的不正確な出力に単位損失を割り当てる性能評価を行った。
DigitizerBench-Fullでは、LinePilot (OCR) はテストされた自動パイプラインの中で、FPC-NRMSE (0.672) の平均最低値と信頼性の高いユーザビリティ (38.2%) を達成する。
DigitizerBench-Liteでは、LinePilot (enhanced) は、FPC-NRMSE (0.081)、100%の出力成功、そして最も信頼性の高いユーザビリティ (93.3%) を達成している。
直交ベンチマーク設計により、因子分析により、ディジタイザのパフォーマンスに最も大きな影響を及ぼす要因を特定することができる。
これら3つのキャリブレーションモードは、共有曲線回復ワークフローにおける自動化、ユーザ制御、精度のトレードオフとなる。
関連論文リスト
- Randomized neural operator for parametric PDEs with fast training and conformal uncertainty quantification [47.720075875232226]
我々は,PCAに基づく次元還元と固定ランダム特徴を組み合わせたニューラル演算子であるPCA-RaNNを紹介する。
演算子学習を固定回帰として再キャストし、遅延回帰を3桁まで削減する。
論文 参考訳（メタデータ） (2026-06-28T15:02:26Z) - KPGrasp: Scalable Keypoint Flow Matching for Dexterous Grasp Generation [23.028638559051597]
KPGraspは,大規模データから事前の詳細な把握を学習するフローマッチングフレームワークである。
20の多様なオブジェクトに対する実験は、パイプラインを現実世界のセットアップでデプロイできることを示しています。
論文 参考訳（メタデータ） (2026-06-08T10:19:29Z) - When Attribution Patching Lies: Diagnosis and a Second-Order Correction [9.338965648455238]
本研究は, 下流ネットワークの非直線性に起因する誤差が, パッチ成分の局所曲率よりも大きいことを示す。
この洞察は、(i)信頼できない見積もりを検出するための信頼性スコア、(ii)エラー境界がポテンシャル属性の誤特定を定量化すること、(iii)Hessian-vector-product correctが1つの後進パスで先行エラーを除去すること、の3つの実用的なツールをもたらす。
論文 参考訳（メタデータ） (2026-06-05T05:20:32Z) - Sparse-by-Design Cross-Modality Prediction: L0-Gated Representations for Reliable and Efficient Learning [0.0]
統一されたスペーシフィケーションプリミティブは、モダリティに匹敵する精度と効率のトレードオフをもたらす。
学習表現に直接L0スタイルのスパーシリティを強制するモダリティ非依存的かつ機能的にハードコンクリートなゲーティングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-26T03:33:42Z) - CaliCausalRank: Calibrated Multi-Objective Ad Ranking with Robust Counterfactual Utility Optimization [9.601427882648116]
CaliCausalRankは、トレーニング時間スケールのキャリブレーション、制約ベースの多目的最適化、堅牢な対実的ユーティリティ推定を統合するフレームワークである。
提案手法は,ポストホック処理ではなく,第1級のトレーニング目標としてスコアキャリブレーションを扱い,制約満足度に対するラグランジアン緩和を採用し,信頼性の高いオフライン評価のための分散再現型反事実推定器を実現する。
論文 参考訳（メタデータ） (2026-02-21T10:35:12Z) - Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。
大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。
本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
論文 参考訳（メタデータ） (2025-10-08T10:09:47Z) - DLBAcalib: Robust Extrinsic Calibration for Non-Overlapping LiDARs Based on Dual LBA [11.721420447780032]
本稿では,マルチLiDARシステムのための新しいターゲットレス外部キャリブレーションフレームワークを提案する。
提案手法は,目標LiDARからの連続走査により,正確な基準点クラウドマップを構築する。
本フレームワークでは,平均翻訳誤差が5mm,回転誤差が0.2deg,初期誤差が0.4m/30degである。
論文 参考訳（メタデータ） (2025-07-12T07:48:02Z) - MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。
MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。
CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
論文 参考訳（メタデータ） (2024-02-03T21:12:36Z) - Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳（メタデータ） (2023-08-21T13:03:25Z) - MBCT: Tree-Based Feature-Aware Binning for Individual Uncertainty Calibration [45.440008446506404]
我々はMultiple Boosting Trees (MBCT)と呼ばれる特徴認識型バイナリフレームワークを提案する。
MBCTは非単調であり,学習可能なビンニング方式と個々のキャリブレーションにより,順序精度が向上する可能性がある。
その結果,本手法はキャリブレーション誤差と順序精度の両方で競合するモデル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） (2022-02-09T08:59:16Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳（メタデータ） (2020-02-21T17:35:50Z)
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。