Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Dark soliton detection using persistent homology

Leykam Daniel, Rondon Irving, Angelakis Dimitrios

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/DD112E37-A1C2-4866-AA4A-8B688F8AC72B
Έτος 2022
Τύπος Δημοσίευση σε Περιοδικό με Κριτές
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά D. Leykam, I. Rondón and D. G. Angelakis, “Dark soliton detection using persistent homology,” Chaos, vol. 32, no. 7, July 2022, doi: 10.1063/5.0097053. https://doi.org/10.1063/5.0097053
Εμφανίζεται στις Συλλογές

Περίληψη

Classifying images often requires manual identification of qualitative features. Machine learning approaches including convolutional neural networks can achieve accuracy comparable to human classifiers but require extensive data and computational resources to train. We show how a topological data analysis technique, persistent homology, can be used to rapidly and reliably identify qualitative features in experimental image data. The identified features can be used as inputs to simple supervised machine learning models, such as logistic regression models, which are easier to train. As an example, we consider the identification of dark solitons using a dataset of 6257 labeled atomic Bose–Einstein condensate density images.

Υπηρεσίες

Στατιστικά