سال انتشار:

2016

---

ترجمه فارسی عنوان مقاله:

شبیه سازی رویداد های نادر برای میدان تصادفی مارکف با استفاده از رشد دانه در کریستال ها

---

عنوان انگلیسی مقاله:

RARE EVENT SIMULATION FOR MARKOV RANDOM FIELDS WITH APPLICATION TO GRAIN GROWTH IN CRYSTALS

---

منبع:

2016 IEEE International Conference on Image Processing (ICIP)

---

نویسنده:

Shruthi S: Kubatur and Mary L: Comer

---

چکیده انگلیسی:

Stochastic models of images are very useful for applications such as segmentation, deblurring, and reconstruction. Sometimes it is important to be able to simulate, or draw samples from, a stochastic image model. For example, simulation can be used as an optimization tool for segmenting, deblurring, or reconstructing an image. Also, simulation of images that characterize a system can be helpful in understanding the system, by allowing virtual exploration of models of the system instead of expensive and time-intensive physical experimentation. There are of course many Markov chain Monte Carlo (MCMC) methods for drawing samples from the ubiquitous Markov random field (MRF) image model. However, these methods draw sample images that represent typical cases of the model. To sample images that occur with low probability, which represent rare events, a prohibitive number of Monte Carlo samples would need to be drawn using traditional MCMC. In this paper, we turn to large deviations theory and importance sampling to propose a rare-event simulation method for MRFs. We then use an impactful problem from materials science to demonstrate the application of our method. More specifically, we look at the phenomenon of abnormal grain growth in polycrystalline materials. With our proposed method, we consistently generate images containing abnormal grain growth, though this is a very challenging problem for standard Monte Carlo simulation methods. Importantly, our method can be used to simulate rare events in a broad class of imaging applications, namely those that use an MRF model.
Index Terms: Importance sampling | large deviations | Markov random field | Gibbs distribution | abnormal grain growth | polycrystalline materials.

---

چکیده فارسی:

مدل های تصادفی تصاویر برای برنامه های کاربردی مانند تقسیم بندی (segmentation)، deblurring و بازسازی بسیار مفید هستند. گاهی اوقات مهم است که بتوانیم از یک مدل تصویر تصادفی شبیه سازی یا نمونه برداری انجام دهیم. به عنوان مثال، شبیه سازی می تواند به عنوان یک ابزار بهینه سازی برای جداسازی، deblurring یا بازسازی یک تصویر استفاده شود. همچنین، شبیه سازی تصاویر در درک سیستم کمک میکند (با استفاده از اکتشاف مجازی مدل های سیستم به جای آزمایش های فیزیکی گران و وقت گیر). البته تعداد زیادی روش های مونت کارلو زنجیره مارکوف (MCMC) برای رسم نمونه هایی از مدل تصادفی مارکوف (MRF) وجود دارد. با این حال، این روش تصاویر نمونه ای را نشان می دهد که نمونه های معمول از مدل را نشان می دهند. برای نمونه برداری از تصاویر که با احتمال کمتری ظاهر می شوند، که کم پیش می آید تعداد قابل توجهی از نمونه های مونت کارلو باید با استفاده از MCMC سنتی طراحی شود.
در این مقاله، ما به تئوری انحرافات بزرگ و نمونه برداری اهمیت می دهیم تا روش شبیه سازی رویداد در مواقع خاص را برای MRF ها پیشنهاد دهیم. سپس از علم مواد به منظور اثبات کاربرد روش ما، از یک مساله استفاده می کنیم. به طور خاص، ما به پدیده رشد غیر معمول دانه در مواد پلی کریستالی نگاه می کنیم. با روش پیشنهادی ما، ما به طور مداوم تصاویری را تولید می کنیم که شامل رشد غیر طبیعی دانه هستند، اما این روش برای روش های استاندارد شبیه سازی مونت کارلو چالش بر انگیز است. مهمتر از همه، روش ما می تواند برای شبیه سازی حوادث نادر در یک کلاس گسترده از برنامه های تصویربرداری، یعنی کسانی که از یک مدل MRF استفاده می کنند، استفاده شود.
کلمات کلیدی: نمونه گیری اهمیت | انحرافات بزرگ | فیلد تصادفی مارکوف | توزیع گیبس | رشد غيرطبيعی دانه | مواد پلی کریستالی

---

---

---

---

حجم فایل: 251 کیلوبایت

---

قیمت: 16000 تومان  12800 تومان(20% تخفیف)

---

توضیحات اضافی:

---

---

---