Discovering Latent Spatial Invariance of Urban Wireless Data using Compression and Deep Learning

The reconstruction of seismic data with missing traces has been a long-standing issue in seismic data processing; deep learning methods have attracted significant attention in seismic data reconstruction. One barrier associated with these deep-learning based reconstruction methods is the need for large training datasets, which are difficult to acquire owing to physical or financial constraints in practice. A novel method for the recovery of incomplete seismic data without the need of training datasets was developed. Seismic prior is implicitly captured based on the particular CNN structure choice, referred to as the “deep-seismic-prior-based”. The learned network weights are the parameters that represent seismic data, and as the convolutional filter weights are shared for spatial invariance, the CNN structure can function as a regularizer to guide the network learning. The reconstruction is realized during the iterative process by minimizing the mean square error (MSE) between the network output and the original corrupted seismic data. Our method could handle both irregular and regular seismic data, and testing its performance using both synthetic and field data showed it was more advantageous compared with the singular spectrum analysis (SSA) and de-aliased Cadzow methods employed in the reconstruction of irregular and regular data, respectively. The experimental results showed that the proposed method provided better reconstruction performance than the SSA and Cadzow methods.

Download Full-text

Deep Learning

10.1017/cbo9780511780295 ◽

2009 ◽

Cited By ~ 94

Author(s):

Stellan Ohlsson

Keyword(s):

Deep Learning

Download Full-text

Intelligence artificielle : le futur de l’Orthodontie ?

Revue d Orthopédie Dento-Faciale ◽

10.1051/odf/2019026 ◽

2019 ◽

Vol 53 (3) ◽

pp. 281-294

Author(s):

Jean-Michel Foucart ◽

Augustin Chavanne ◽

Jérôme Bourriau

Keyword(s):

Big Data ◽

Deep Learning ◽

Intelligence Artificielle ◽

Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Download Full-text