Publicação: Shedding light on variational autoencoders
Carregando...
Data
Orientador
Coorientador
Pós-graduação
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Tipo
Trabalho apresentado em evento
Direito de acesso
Acesso restrito
Resumo
Deep neural networks provide the canvas to create models of millions of parameters to fit distributions involving an equally large number of random variables. The contribution of this study is twofold. First, we introduce a diffraction dataset containing computer-based simulations of a Young's interference experiment. Then, we demonstrate the adeptness of variational autoencoders to learn diffraction patterns and extract a latent feature that correlates with the physical wavelength.
Descrição
Palavras-chave
Fresnel diffraction, Machine Learning, Tensorflow, Variational Autoencoders
Idioma
Inglês
Como citar
Proceedings - 2018 44th Latin American Computing Conference, CLEI 2018, p. 294-298.
