ホログラフィック画像のニューラルネットワーク処理【JST・京大機械翻訳】

Schreck John S.; Gantos Gabrielle; Hayman Matthew; Bansemer Aaron; Gagne David John

プレプリント

J-GLOBAL ID：202202205895489048 整理番号：22P0305548

ホログラフィック画像のニューラルネットワーク処理【JST・京大機械翻訳】

Neural network processing of holographic images

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月16日プレプリントサーバーでの情報更新日： 2022年03月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

航空機搭載雲粒子イメージャであるHOLODECは,水滴や氷晶のような雲粒子のタイプとサイズを特徴付けるために,雲の固定体積のホログラフィック画像を捕捉する。雲粒子特性は位置,直径,形状を含む。ニューラルセグメンテーションモデル,GPUs,および計算並列化を利用するホログラム処理アルゴリズム,HolodecMLを提示した。HolodecMLは,機器のモデルに基づいて合成的に生成されたホログラムを用いて訓練され,再構成された画像内で見出される粒子の周りのマスクを予測する。これらのマスクから,検出した粒子の位置とサイズは三次元で特性化できる。実ホログラムをうまく処理するために,訓練に用いた合成画像に一連の画像崩壊変換と雑音を適用する必要があることを見出した。この評価において,HolodecMLは標準処理方法に匹敵する位置およびサイズ推定性能を有したが,数千の手動ラベル付きHOLODEC画像でほぼ20%の粒子検出を改善した。しかし,訓練中の模擬画像上で画像崩壊が行われるときのみ改善が起こり,それによって実際のプローブにおける非理想条件を模倣した。訓練されたモデルは,そのようなオブジェクトが訓練データセット中に存在しなかったとしても,粒子からのHOLODEC画像におけるアーチファクトと他の不純物を区別するために学習され,一方,標準処理方法は,アーチファクトから粒子を分離するのに努められた。HOLODEC検出器の非理想側面をパラメータ化するための手段としてノイズを利用する訓練アプローチの新規性は,理論モデルが機器の実世界操作を完全に記述できない他のドメインに適用でき,教師つき学習に必要な正確な真実データが実世界観測からは得られない。【JST・京大機械翻訳】

, , , , , , , , , , , , , ,

ホログラフィーの応用 , 図形・画像処理一般

前のページに戻る