目次
研究概要
筆頭著者の紹介
ホームページ テクノロジー周辺機器 AI 独自の 2D マテリアルと機械学習を使用して、CV は人間のように何百万もの色を「見る」ことができます。

独自の 2D マテリアルと機械学習を使用して、CV は人間のように何百万もの色を「見る」ことができます。

Apr 12, 2023 pm 02:13 PM
機械学習 ビジョン

人間の目は何百万もの色を見ることができますが、今では人工知能もそれを認識できるようになりました。

最近、ノースイースタン大学の学際的研究チームは、新しい人工知能技術を使用して、何百万もの色を認識できる新しいデバイス A-Eye を構築しました。さらに前進し、自動運転車、農産物の選別、遠隔衛星画像処理などのさまざまな技術で広く使用されるようになるでしょう。

研究論文は Materials Today に掲載されました。

独自の 2D マテリアルと機械学習を使用して、CV は人間のように何百万もの色を「見る」ことができます。

論文アドレス: https://www.sciencedirect.com/science/article/abs/pii /S1369702122002255

この研究の責任著者であり、ノースイースタン大学物理学の准教授であるスワスティック・カー氏は、「自動化が普及するにつれ、機械の能力はますます高まっています」と述べた。

研究では、特別な量子特性を持つ 2D マテリアルを設計しました。A の光学窓に光を埋め込むことにより、 -アイマシンは、豊富な色をこれまでにない精度で「非常に高い処理」を実現します。

さらに、A-Eye は、元のスペクトルからの偏差がゼロで、「見た」色を正確に識別して再現できます。これは、ノースイースタン大学の電気・コンピューター工学助教授サラ・オスタダバス氏率いる AI 研究チームが開発した機械学習アルゴリズムのおかげで可能になりました。

研究全体の主な技術は、遷移金属ダイカルコゲナイドと呼ばれる材料クラスの量子的および光学的特性に焦点を当てています。このユニークな材料は、特にセンシングにおいて無限の可能性を秘めていると考えられていますおよびエネルギー貯蔵アプリケーション。

研究概要

色を識別する場合、マシンは通常、従来の RGB (赤、緑、青) フィルターを使用して色を構成要素に分解し、それを使用します。この情報は基本的に光の三原色を推測して再現します。デジタル カメラを色のある物体に向けて写真を撮ると、物体からの光は、その前に光を生の RGB カラーに分離するフィルターを備えた一連の検出器を通過します。

Kar 氏は、「カラー フィルターは、視覚情報やデータを別のボックスに送信する漏斗と考えることができます。その後、それらの漏斗が自然な色に人工的な数値を割り当てます。」色を 3 つの要素 (赤、緑、青) に分解するだけでは、いくつかの制限があります。

ただし、Kar 氏と彼のチームは、カラー フィルターを使用する代わりに、独自の 2D マテリアルで作られた「透過ウィンドウ」を使用しました。

Kar 氏は、A-Eye として知られるマシンに、まったく異なる方法で色を認識させるようにしていると述べています。色付きの光が検出器に当たると、それを主な赤、緑、青の成分に分解したり、単にそれらの成分を探したりするのではなく、研究者らは情報のスペクトル全体を使用しました。

最も重要なのは、研究者らが技術を使用してこれらの成分を変更およびエンコードし、さまざまな方法で保存したことです。そこで、彼らには一連の番号が与えられ、従来とはまったく異なる方法で原色を識別することができました。

下の図の左上は A-Eye の構築に使用された 2D マテリアルを示し、右上は A-Eye のワークフローを示し、図の下部はカラーを示していますテストカラーとA-Eyeの推定値の比較。

独自の 2D マテリアルと機械学習を使用して、CV は人間のように何百万もの色を「見る」ことができます。

別の著者であるサラ・オスタダバス氏は、光がこれらの透過窓を通過すると、A-Eye が色をデータに処理すると述べました。また、組み込みの機械学習モデルは、A-Eye によって分析された対応する色をより適切に識別するためのパターンを探します。

同時に、A-Eye は、トレーニング データ セットに正しい推測を追加することで、色の推定結果を継続的に改善することもできます。

筆頭著者の紹介

この研究の筆頭著者である Davoud Hejazi は、現在 Titan Advanced Energy Solutions の上級データ サイエンティストとして、統計モデリング、機械学習、信号処理、画像処理、クラウドコンピューティング、データビジュアライゼーションなどの分野。

今年5月にノースイースタン大学で物理学の博士号を取得し、卒業論文は「Layered Excitonic 2D Materials and Machine Learningを用いた分散のない正確な色推定」でした。 。」

独自の 2D マテリアルと機械学習を使用して、CV は人間のように何百万もの色を「見る」ことができます。

#論文のアドレス: https://repository.library.northeastern.edu/files/neu:4f171c96c

以上が独自の 2D マテリアルと機械学習を使用して、CV は人間のように何百万もの色を「見る」ことができます。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

このウェブサイトの声明
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

メモ帳++7.3.1

メモ帳++7.3.1

使いやすく無料のコードエディター

SublimeText3 中国語版

SublimeText3 中国語版

中国語版、とても使いやすい

ゼンドスタジオ 13.0.1

ゼンドスタジオ 13.0.1

強力な PHP 統合開発環境

ドリームウィーバー CS6

ドリームウィーバー CS6

ビジュアル Web 開発ツール

SublimeText3 Mac版

SublimeText3 Mac版

神レベルのコード編集ソフト(SublimeText3)

この記事では、SHAP: 機械学習のモデルの説明について説明します。 この記事では、SHAP: 機械学習のモデルの説明について説明します。 Jun 01, 2024 am 10:58 AM

機械学習とデータ サイエンスの分野では、モデルの解釈可能性が常に研究者や実務家に焦点を当ててきました。深層学習やアンサンブル手法などの複雑なモデルが広く適用されるようになったことで、モデルの意思決定プロセスを理解することが特に重要になってきました。 Explainable AI|XAI は、モデルの透明性を高めることで、機械学習モデルに対する信頼と自信を構築するのに役立ちます。モデルの透明性の向上は、複数の複雑なモデルの普及や、モデルを説明するための意思決定プロセスなどの方法によって実現できます。これらの方法には、特徴重要度分析、モデル予測間隔推定、ローカル解釈可能性アルゴリズムなどが含まれます。特徴重要度分析では、入力特徴に対するモデルの影響度を評価することで、モデルの意思決定プロセスを説明できます。モデルの予測間隔の推定

ORB-SLAM3を超えて! SL-SLAM: 低照度、重度のジッター、弱いテクスチャのシーンはすべて処理されます。 ORB-SLAM3を超えて! SL-SLAM: 低照度、重度のジッター、弱いテクスチャのシーンはすべて処理されます。 May 30, 2024 am 09:35 AM

以前に書きましたが、今日は、深層学習テクノロジーが複雑な環境におけるビジョンベースの SLAM (同時ローカリゼーションとマッピング) のパフォーマンスをどのように向上させることができるかについて説明します。ここでは、深部特徴抽出と深度マッチング手法を組み合わせることで、低照度条件、動的照明、テクスチャの弱い領域、激しいセックスなどの困難なシナリオでの適応を改善するように設計された多用途のハイブリッド ビジュアル SLAM システムを紹介します。当社のシステムは、拡張単眼、ステレオ、単眼慣性、ステレオ慣性構成を含む複数のモードをサポートしています。さらに、他の研究にインスピレーションを与えるために、ビジュアル SLAM と深層学習手法を組み合わせる方法も分析します。公開データセットと自己サンプリングデータに関する広範な実験を通じて、測位精度と追跡堅牢性の点で SL-SLAM の優位性を実証しました。

透明!主要な機械学習モデルの原理を徹底的に分析! 透明!主要な機械学習モデルの原理を徹底的に分析! Apr 12, 2024 pm 05:55 PM

平たく言えば、機械学習モデルは、入力データを予測された出力にマッピングする数学関数です。より具体的には、機械学習モデルは、予測出力と真のラベルの間の誤差を最小限に抑えるために、トレーニング データから学習することによってモデル パラメーターを調整する数学関数です。機械学習には、ロジスティック回帰モデル、デシジョン ツリー モデル、サポート ベクター マシン モデルなど、多くのモデルがあります。各モデルには、適用可能なデータ タイプと問題タイプがあります。同時に、異なるモデル間には多くの共通点があったり、モデル進化の隠れた道が存在したりすることがあります。コネクショニストのパーセプトロンを例にとると、パーセプトロンの隠れ層の数を増やすことで、それをディープ ニューラル ネットワークに変換できます。パーセプトロンにカーネル関数を追加すると、SVM に変換できます。これです

学習曲線を通じて過学習と過小学習を特定する 学習曲線を通じて過学習と過小学習を特定する Apr 29, 2024 pm 06:50 PM

この記事では、学習曲線を通じて機械学習モデルの過学習と過小学習を効果的に特定する方法を紹介します。過小適合と過適合 1. 過適合 モデルがデータからノイズを学習するためにデータ上で過学習されている場合、そのモデルは過適合していると言われます。過学習モデルはすべての例を完璧に学習するため、未確認の新しい例を誤って分類してしまいます。過適合モデルの場合、完璧/ほぼ完璧なトレーニング セット スコアとひどい検証セット/テスト スコアが得られます。若干修正: 「過学習の原因: 複雑なモデルを使用して単純な問題を解決し、データからノイズを抽出します。トレーニング セットとしての小さなデータ セットはすべてのデータを正しく表現できない可能性があるため、2. 過学習の Heru。」

宇宙探査と人類居住工学における人工知能の進化 宇宙探査と人類居住工学における人工知能の進化 Apr 29, 2024 pm 03:25 PM

1950 年代に人工知能 (AI) が誕生しました。そのとき、研究者たちは、機械が思考などの人間と同じようなタスクを実行できることを発見しました。その後、1960 年代に米国国防総省は人工知能に資金を提供し、さらなる開発のために研究所を設立しました。研究者たちは、宇宙探査や極限環境での生存など、多くの分野で人工知能の応用を見出しています。宇宙探査は、地球を超えた宇宙全体を対象とする宇宙の研究です。宇宙は地球とは条件が異なるため、極限環境に分類されます。宇宙で生き残るためには、多くの要素を考慮し、予防策を講じる必要があります。科学者や研究者は、宇宙を探索し、あらゆるものの現状を理解することが、宇宙の仕組みを理解し、潜在的な環境危機に備えるのに役立つと信じています。

C++ での機械学習アルゴリズムの実装: 一般的な課題と解決策 C++ での機械学習アルゴリズムの実装: 一般的な課題と解決策 Jun 03, 2024 pm 01:25 PM

C++ の機械学習アルゴリズムが直面する一般的な課題には、メモリ管理、マルチスレッド、パフォーマンスの最適化、保守性などがあります。解決策には、スマート ポインター、最新のスレッド ライブラリ、SIMD 命令、サードパーティ ライブラリの使用、コーディング スタイル ガイドラインの遵守、自動化ツールの使用が含まれます。実践的な事例では、Eigen ライブラリを使用して線形回帰アルゴリズムを実装し、メモリを効果的に管理し、高性能の行列演算を使用する方法を示します。

自動運転の初の純粋な視覚的静的再構築 自動運転の初の純粋な視覚的静的再構築 Jun 02, 2024 pm 03:24 PM

純粋に視覚的な注釈ソリューションでは、主に視覚に加えて、GPS、IMU、および車輪速度センサーからのデータを動的注釈に使用します。もちろん、量産シナリオでは、純粋な視覚である必要はありません。一部の量産車両には固体レーダー (AT128) などのセンサーが搭載されています。大量生産の観点からデータの閉ループを作成し、これらすべてのセンサーを使用すると、動的オブジェクトのラベル付けの問題を効果的に解決できます。しかし、私たちの計画には固体レーダーはありません。したがって、この最も一般的な量産ラベル ソリューションを紹介します。純粋に視覚的な注釈ソリューションの中核は、高精度のポーズ再構築にあります。再構築の精度を確保するために、Structure from Motion (SFM) のポーズ再構築スキームを使用します。でもパスする

説明可能な AI: 複雑な AI/ML モデルの説明 説明可能な AI: 複雑な AI/ML モデルの説明 Jun 03, 2024 pm 10:08 PM

翻訳者 | Li Rui によるレビュー | 今日、人工知能 (AI) および機械学習 (ML) モデルはますます複雑になっており、これらのモデルによって生成される出力はブラックボックスになっており、関係者に説明することができません。 Explainable AI (XAI) は、利害関係者がこれらのモデルがどのように機能するかを理解できるようにし、これらのモデルが実際に意思決定を行う方法を確実に理解できるようにし、AI システムの透明性、信頼性、およびこの問題を解決するための説明責任を確保することで、この問題を解決することを目指しています。この記事では、さまざまな説明可能な人工知能 (XAI) 手法を検討して、その基礎となる原理を説明します。説明可能な AI が重要であるいくつかの理由 信頼と透明性: AI システムが広く受け入れられ、信頼されるためには、ユーザーは意思決定がどのように行われるかを理解する必要があります

See all articles