論文の概要: Deep Learning-Based Automated Image Segmentation for Concrete
Petrographic Analysis
- arxiv url: http://arxiv.org/abs/2005.10434v3
- Date: Thu, 28 May 2020 20:16:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 23:11:35.355304
- Title: Deep Learning-Based Automated Image Segmentation for Concrete
Petrographic Analysis
- Title(参考訳): 深層学習に基づくコンクリートペトログラフィー解析のための自動画像分割
- Authors: Yu Song, Zilong Huang, Chuanyue Shen, Humphrey Shi, and David A Lange
- Abstract要約: 畳み込みニューラルネットワーク(CNN)を用いたディープラーニングアルゴリズムは、イメージテストベンチマークで前例のないセグメンテーション性能を達成した。
本研究では,CNNをカラー処理を使わずにコンクリートセグメンテーションの実現可能性について検討した。
CNNは、模型訓練に関わらない人々を含む幅広いコンクリートを処理する強力な可能性を示した。
- 参考スコア(独自算出の注目度): 19.686444391714634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The standard petrography test method for measuring air voids in concrete
(ASTM C457) requires a meticulous and long examination of sample phase
composition under a stereomicroscope. The high expertise and specialized
equipment discourage this test for routine concrete quality control. Though the
task can be alleviated with the aid of color-based image segmentation,
additional surface color treatment is required. Recently, deep learning
algorithms using convolutional neural networks (CNN) have achieved
unprecedented segmentation performance on image testing benchmarks. In this
study, we investigated the feasibility of using CNN to conduct concrete
segmentation without the use of color treatment. The CNN demonstrated a strong
potential to process a wide range of concretes, including those not involved in
model training. The experimental results showed that CNN outperforms the
color-based segmentation by a considerable margin, and has comparable accuracy
to human experts. Furthermore, the segmentation time is reduced to mere
seconds.
- Abstract(参考訳): コンクリート中の空気空洞(ASTM C457)を測定する標準的なペトグラフィー試験法では, 立体顕微鏡下での試料相組成の精密かつ長期の検査が必要である。
高い専門性と専門的な装置は、日常的なコンクリート品質管理のためのこの試験を妨げている。
タスクはカラーベースイメージセグメンテーションによって軽減できるが、追加の表面色処理が必要である。
近年,畳み込みニューラルネットワーク(CNN)を用いたディープラーニングアルゴリズムは,画像テストベンチマークにおいて前例のないセグメンテーション性能を実現している。
本研究では,CNNをカラー処理を使わずにコンクリートセグメンテーションの実現可能性について検討した。
CNNは、模型訓練に関わらない人々を含む幅広いコンクリートを処理する強力な可能性を示した。
実験の結果、cnnは色に基づくセグメンテーションをかなりのマージンで上回り、人間の専門家に匹敵する精度を示した。
さらに、セグメンテーション時間はほんの数秒に短縮される。
関連論文リスト
- Improving Sickle Cell Disease Classification: A Fusion of Conventional Classifiers, Segmented Images, and Convolutional Neural Networks [0.31457219084519006]
本稿では, 従来の分類器, セグメント化画像, CNNを併用して, 病原細胞疾患の自動分類を行う手法を提案する。
以上の結果から,SVMを用いたセグメント画像とCNN機能を用いることで96.80%の精度が得られた。
論文 参考訳(メタデータ) (2024-12-23T20:42:15Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳(メタデータ) (2023-04-19T13:45:28Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳(メタデータ) (2021-12-19T15:17:20Z) - High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。
提案手法は画像分割精細化において高速かつ効果的である。
論文 参考訳(メタデータ) (2021-11-29T11:53:06Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2021-04-05T15:50:16Z) - Uncertainty guided semi-supervised segmentation of retinal layers in OCT
images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。
提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文 参考訳(メタデータ) (2021-03-02T23:14:25Z) - Spectral Analysis Network for Deep Representation Learning and Image
Clustering [53.415803942270685]
本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。
パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。
クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
論文 参考訳(メタデータ) (2020-09-11T05:07:15Z) - Pixel-level Corrosion Detection on Metal Constructions by Fusion of Deep
Learning Semantic and Contour Segmentation [13.133263651395865]
金属構造物の腐食検出は、迅速で安全で効果的な検査のための土木工学における大きな課題である。
既存の画像解析手法では、構造解析とプレファブリケーションの両方に不十分な欠陥領域に境界ボックスを配置する傾向がある。
本研究では,3つのセマンティックセグメンテーション指向ディープラーニングモデル(FCN,U-Net,Mask R-CNN)を腐食検出に適用し,精度と時間面で優れた性能を示す。
論文 参考訳(メタデータ) (2020-08-12T09:54:17Z) - A Spatially Constrained Deep Convolutional Neural Network for Nerve
Fiber Segmentation in Corneal Confocal Microscopic Images using Inaccurate
Annotations [10.761046991755311]
本研究では,スムーズかつロバストな画像分割を実現するために,空間拘束型深部畳み込みニューラルネットワーク(DCNN)を提案する。
提案手法は神経線維分節に対する角膜共焦点顕微鏡(CCM)画像に基づいて評価された。
論文 参考訳(メタデータ) (2020-04-20T16:56:13Z) - SAUNet: Shape Attentive U-Net for Interpretable Medical Image
Segmentation [2.6837973648527926]
本稿では,モデル解釈可能性とロバスト性に着目したShape Attentive U-Net(SAUNet)というアーキテクチャを提案する。
本手法は,SUN09とAC17の2つの大きな心内MRI画像セグメント化データセットに対して,最先端の結果を得られる。
論文 参考訳(メタデータ) (2020-01-21T16:48:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。