Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Dark soliton detection using persistent homology

Leykam Daniel, Rondon Irving, Angelakis Dimitrios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/DD112E37-A1C2-4866-AA4A-8B688F8AC72B-
Αναγνωριστικόhttps://doi.org/10.1063/5.0097053-
Αναγνωριστικόhttps://pubs.aip.org/aip/cha/article/32/7/073133/2835989/Dark-soliton-detection-using-persistent-homology-
Γλώσσαen-
Μέγεθος7 pagesen
ΤίτλοςDark soliton detection using persistent homologyen
ΔημιουργόςLeykam Danielen
ΔημιουργόςRondon Irvingen
ΔημιουργόςAngelakis Dimitriosen
ΔημιουργόςΑγγελακης Δημητριοςel
ΕκδότηςAIP Publishingen
ΠεριγραφήThis research was supported in part by the Polisimulator project co-financed by Greece and the EU Regional Development Fund.en
ΠερίληψηClassifying 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
ΤύποςPeer-Reviewed Journal Publicationen
ΤύποςΔημοσίευση σε Περιοδικό με Κριτέςel
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2024-02-23-
Ημερομηνία Δημοσίευσης2022-
Θεματική ΚατηγορίαPersistent homology-based approachen
Θεματική ΚατηγορίαObject detection problemsen
Βιβλιογραφική ΑναφοράD. 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

Υπηρεσίες

Στατιστικά