- โมเดลคอนทัวร์แบบ Deep Active สำหรับการวาดแนวแนวกั้นธารน้ำแข็ง (arXiv)
ผู้แต่ง : Konrad Heidler, Lichao Mou, Erik Loebel, Mirko Scheinert, Sébastien Lefèvre, Xiao Xiang Zhu
บทคัดย่อ : การเลือกวิธีการเข้ารหัสปัญหาในโลกแห่งความเป็นจริงเป็นงานการเรียนรู้ของเครื่องถือเป็นการตัดสินใจในการออกแบบที่สำคัญในการเรียนรู้ของเครื่อง งานการสร้างแบบจำลองด้านหน้าหลุดของธารน้ำแข็งมักถูกมองว่าเป็นงานการแบ่งส่วนความหมาย การศึกษาล่าสุดแสดงให้เห็นว่าการรวมการแบ่งส่วนเข้ากับการตรวจจับขอบสามารถปรับปรุงความแม่นยำของเครื่องตรวจจับด้านหน้าหลุดได้ จากการสังเกตนี้ เราได้เปลี่ยนรูปแบบงานใหม่ทั้งหมดให้เป็นปัญหาการติดตามรูปร่าง และเสนอแบบจำลองสำหรับการตรวจจับรูปร่างที่ชัดเจน ซึ่งไม่รวมการคาดการณ์ที่หนาแน่นใดๆ เป็นขั้นตอนระดับกลาง แนวทางที่นำเสนอนี้เรียกว่า ``แผนภูมิโครงร่างโดยการปรับกระแสซ้ำ'' (COBRA) ผสมผสานโครงข่ายประสาทเทียมแบบ Convolutional Neural Networks (CNN) สำหรับการดึงคุณลักษณะและแบบจำลองรูปร่างที่ใช้งานอยู่สำหรับการวาดภาพ ด้วยการฝึกอบรมและประเมินชุดข้อมูลขนาดใหญ่หลายชุดของธารน้ำแข็งทางออกของกรีนแลนด์ เราแสดงให้เห็นว่าวิธีการนี้มีประสิทธิภาพเหนือกว่าวิธีการข้างต้นอย่างแน่นอนโดยพิจารณาจากการแบ่งส่วนและการตรวจจับขอบ สุดท้ายนี้ เราแสดงให้เห็นว่าการตรวจจับรูปร่างที่ชัดเจนมีประโยชน์มากกว่าวิธีการแบบพิกเซลเมื่อระบุปริมาณความไม่แน่นอนในการทำนายของแบบจำลอง ดูหน้าโปรเจ็กต์ที่มีโค้ดและการทำนายโมเดลภาพเคลื่อนไหวได้ที่ \url{https://khdlr.github.io/COBRA/}
2. หมายเหตุเกี่ยวกับการมีอยู่ของมินิไมเซอร์สำหรับ Variational Geometric Active Contours (arXiv)
ผู้แต่ง : El Hadji S. Diop, Valérie Burdin, V. บี. สุริยะ ปราสถ์
บทคัดย่อ : เราเสนอหลักฐานการมีอยู่ของฟังก์ชันย่อส่วนให้เหลือน้อยที่สุดโดยอิงตามข้อมูลเบื้องต้นเกี่ยวกับรูปร่างเป้าหมาย และกำหนดสูตรด้วยชุดระดับ การมีอยู่ของย่อขนาดเป็นสิ่งสำคัญมาก เนื่องจากรับประกันการบรรจบกันของวิธีการเชิงตัวเลขใดๆ (ทั้งเทคนิคและตัวแปรลาดลงของเกรเดียนต์ หรือความละเอียดของ PDE) ที่ใช้ในการแก้แบบจำลองการแบ่งส่วน งานนี้ยังสามารถใช้ในแบบจำลองการแบ่งส่วนอื่นๆ จำนวนมากเพื่อพิสูจน์การมีอยู่ของตัวย่อขนาด
