Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "synthetic images" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Aspekty interpretacji obrazów pseudoimpedancji akustycznej ośrodka skalnego
Aspects of the interpretation of acoustic pseudoimpedance images of rock formations
Autorzy:
Figiel, W.
Kawalec-Latała, E.
Powiązania:
https://bibliotekanauki.pl/articles/350329.pdf
Data publikacji:
2009
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
pseudoimpedancja akustyczna
wizualna interpretacja
analiza i przetwarzanie obrazów
filtry medianowe
filtr Wienera
sekcje syntetyczne
zbiorniki węglowodorów
złoża soli
acoustic pseudoimpedance
visual interpretation
analysing and images processing
median filters
Wiener's filters
synthetic section
hydrocarbon reservoir
salt deposits
Opis:
Bezpieczeństwo i niezawodność energetyczna jest ważną sprawą w dynamicznie rozwijających się gospodarkach krajowych i związków krajów (UE). Złoża soli kamiennej o jednorodnej wewnętrznej strukturze i poziomym lub prawie poziomym warstwowaniu stwarzają doskonałe warunki dla lokalizacji planowanych podziemnych zbiorników węglowodorów. Wykonanie inwersji sekcji sejsmicznych prowadzi do uzyskania przybliżonego rozkładu impedancji akustycznej. Dane takich rozkładów impedancji akustycznej są bazą do tworzenia obrazów i wizualnej interpretacji budowy ośrodka skalnego. Detekcja niejednorodności litologiczno-facjalnych w budowie pokładowych złóż soli może być rozpoznawana na podstawie właściwej interpretacji obrazów sekcji pseudoimpedancji akustycznej. W artykule zaproponowano przekształcenia kontekstowe i adaptacyjne obrazów dla zwiększenia efektywności poprawnej interpretacji obrazów symulowanych przez system INWERS. Przedstawiono algorytm przekształceń wizualizacji i analizy wyników określającej jakość interpretacji budowy ośrodka skalnego. Wprowadzono sugestie dotyczące utworzenia miary przydatności wprowadzanych przekształceń obrazów w celu ułatwienia interpretacji sekcji sejsmologicznych. Praca ma na celu rozwój zastosowań narzędzi obróbki obrazów do celów wykrywania zmian litologiczno-facjalnych w pokładach soli kamiennej.
Safety and reliability of energy system are one of the most important issues in dynamic development of states and unions (EU). Rock salt deposits with homogeneous inner structure and horizontal or semi-horizontal layering may be excellent sites for localisation of underground hydrocarbon reservoirs. Calculations of seismic section inversion leads to approximation of distribution of acoustic impedance. Data of that acoustic impedance distribution are the basis for image generation and visual interpretation of rock formation structure. Detection of inhomogeneity of lithology-phacial structure of seam-like salt deposits may be recognised on the basis of proper image interpretation of acoustic pseudoimpedance section. In the paper, authors propose context and adaptive transformation of images as a way of increasing effectiveness of image interpretation simulated by INWERS system The paper introduces the algorithm of visual transformation and analysis of results to define quality of rock section structure interpretation. The paper presents the author's suggestion regarding necessity of setting up a gauge of used transformation on the images as a method to measure interpretation easiness of seismology section. The goal of the study is to develop applications of image transformation tools to inhomogeneity detection of lithology-phacial structure of seam-like salt deposits.
Źródło:
Górnictwo i Geoinżynieria; 2009, 33, 1; 169-178
1732-6702
Pojawia się w:
Górnictwo i Geoinżynieria
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Model Faster R-CNN uczony na syntetycznych obrazach
Faster R-CNN model learning on synthetic images
Autorzy:
Łach, Błażej
Łukasik, Edyta
Powiązania:
https://bibliotekanauki.pl/articles/1427643.pdf
Data publikacji:
2020
Wydawca:
Politechnika Lubelska. Instytut Informatyki
Tematy:
computer vision
sztuczne obrazy
Faster R-CNN
głębokie uczenie
synthetic images
deep learning
Opis:
Uczenie maszynowe wymaga opisu danych przez człowieka. Opisywanie zbioru danych ręcznie jest bardzo czasochłonne. W artykule zbadano jak model uczył się na zdjęciach sztucznie wytworzonych, z jak najmniejszym udziałem człowieka przy opisywaniu danych. Sprawdzono jaki wpływ miało zastosowanie augmentacji i progresywnego rozmiaru zdjęcia przy treningu modelu na syntetycznym zbiorze. Model osiągnął nawet o 3,35% wyższą średnią precyzję na syntetycznym zbiorze danych przy zastosowaniu treningów z rosnącą rozdzielczością. Augmentacje poprawiły jakość detekcji na rzeczywistych zdjęciach. Wytwarzanie sztucznie danych treningowych ma duży wpływ na przyśpieszenie przygotowania treningów, ponieważ nie wymaga tak dużych nakładów ludzkich, jak klasyczne uczenie modeli z danymi opisanymi przez człowieka.
Machine learning requires a human description of the data. The manual dataset description is very time consuming. In this article was examined how the model learns from artificially created images, with the least human participation in describing the data. It was checked how the model learned on artificially produced images with augmentations and progressive image size. The model has achieve up to 3.35 higher mean average precision on syntetic dataset in the training with increasing images resolution. Augmentations improved the quality of detection on real photos. The production of artificially generated training data has a great impact on the acceleration of prepare training, because it does not require as much human resources as normal learning process.
Źródło:
Journal of Computer Sciences Institute; 2020, 17; 401-404
2544-0764
Pojawia się w:
Journal of Computer Sciences Institute
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies