ChainLineNet:基于深度学习的细分和历史印刷中的链条的参数化
Aline Sindel1, Thomas Klinke2, Andreas Maier1
1Pattern Recognition Lab, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), 91058 Erlangen, Germany.
Journal of imaging
|July 31, 2024
概括
这项研究引入了一种自动深度学习方法,用于测量历史印刷品中的链条距离,显著加快分析速度. 新技术准确地识别纸张来源,为耗时的手工测量提供了可靠的替代方案.
科学领域:
- 艺术史 艺术史 艺术史
- 材料科学 是一种材料科学.
- 计算机视觉 计算机视觉
背景情况:
- 纸张结构,特别是链条距离,作为历史印刷品的独特标识符.
- 手动测量链条距离是劳动密集型和耗时的.
- 自动化链路检测对于有效分析历史纸质文物至关重要.
研究的目的:
- 开发一个端到端可训练的深度学习方法,用于链路的自动细分和参数化.
- 为了能够准确可靠地识别16世纪德国历史印刷品中的纸张起源.
- 为手动测量技术提供更快,更有效的替代方案.
主要方法:
- 一个有条件的生成对抗网络 (GAN) 用多任务损失进行了训练,用于线段和参数化.
- 制定了一个完全可差分的管道,集成线路分割,水平线路对齐和2D福里埃过.
- 管道包括线路区域建议和可差分的线路配件,用于精确的坐标估计.
- 创建了一个由高分辨率传输光图像和手动线路坐标注释组成的数据集.
主要成果:
- 拟议的深度学习方法在链路检测方面表现出卓越的定性和定量结果.
- 在历史德国印刷品的数据集上实现了高精度和可靠性.
- 该方法显著优于竞争中的链路检测技术.
- 与手动测量相比,实现了小于0.7毫米的低误差率.
结论:
- 开发的深度学习方法为分析历史印刷纸张结构提供了准确有效的解决方案.
- 自动连锁线检测有助于识别纸张来源,并增强历史研究.
- 这种方法为艺术史学家和研究历史文档的材料科学家提供了可靠的工具.
相关概念视频
01:17Radical Chain-Growth Polymerization: Chain Branching
The skeletal structure of polymers synthesized via radical polymerization is always branched. For example, the polymerization of ethylene by radical polymerization results in a low-density grade of polyethylene with a heavily branched skeletal structure. Here, the radical site abstracts hydrogen from the growing chain, and the radical site shifts from the end (a primary carbon center) to anywhere within the growing chain (a secondary carbon center). Consequently, the part of the chain from the...
01:18Streamlines, Streaklines, and Pathlines
A streamline represents the trajectory that is always tangent to the fluid's velocity vector at any given point. The velocity of a fluid particle is always directed along the streamline, ensuring the particle continuously follows the streamline's path. Streamlines are particularly useful for visualizing the overall direction of flow in a fluid system, and they provide an instantaneous representation of the flow's velocity field. In steady flow, where conditions do not change over time,...