![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/DD112E37-A1C2-4866-AA4A-8B688F8AC72B | - |
| Αναγνωριστικό | https://doi.org/10.1063/5.0097053 | - |
| Αναγνωριστικό | https://pubs.aip.org/aip/cha/article/32/7/073133/2835989/Dark-soliton-detection-using-persistent-homology | - |
| Γλώσσα | en | - |
| Μέγεθος | 7 pages | en |
| Τίτλος | Dark soliton detection using persistent homology | en |
| Δημιουργός | Leykam Daniel | en |
| Δημιουργός | Rondon Irving | en |
| Δημιουργός | Angelakis Dimitrios | en |
| Δημιουργός | Αγγελακης Δημητριος | el |
| Εκδότης | AIP Publishing | en |
| Περιγραφή | This research was supported in part by the Polisimulator project co-financed by Greece and the EU Regional Development Fund. | en |
| 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. | en |
| Τύπος | Peer-Reviewed Journal Publication | en |
| Τύπος | Δημοσίευση σε Περιοδικό με Κριτές | el |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2024-02-23 | - |
| Ημερομηνία Δημοσίευσης | 2022 | - |
| Θεματική Κατηγορία | Persistent homology-based approach | en |
| Θεματική Κατηγορία | Object detection problems | en |
| 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. | en |
Copyright © DIAS 2013
