Gast ::
Superpixel segmentations for thin sections: evaluation of methods to enable the generation of machine learning training data sets
; ; ; ; ; ;
2021
Online
DOI: 10.31223/X55S65
DOI: 10.18154/RWTH-2022-00748
URL: https://publications.rwth-aachen.de/record/838772/files/838772.pdf
Einrichtungen
- Lehr- und Forschungsgebiet Computational Geoscience and Reservoir Engineering (541220)
- Lehrstuhl für Informatik 13 (Computer Vision) (123710)
- Fachgruppe für Geowissenschaften und Geographie (530000)
- Fachgruppe Informatik (120000)
- Lehr- und Forschungsgebiet Tektonik und Geodynamik (531220)
- Lehr- und Forschungsgebiet Visual Computing (124720)
Projekte
- PFSDS023 - MINERALS: Machine learning training set for virtual microscopy (EXS-PF-PFSDS023) (EXS-PF-PFSDS023)
- ERS Prep Fund - Exploratory Research Space: Prep Fund als Anschubfinanzierung zur Schließung strategischer Lücken (EXS-PF) (EXS-PF)
- EXS - Excellence Strategy (EXS) (EXS)
OpenAccess: 
PDF
Dokumenttyp
Preprint
Format
online
Sprache
English
Interne Identnummern
RWTH-2022-00748
Datensatz-ID: 838772
Beteiligte Länder
Germany
; 
Datensatz erzeugt am 2022-01-18, letzte Änderung am 2025-11-07
OpenAccess:
PDF
PDF