論文の概要: A Hierarchical Deep Convolutional Neural Network and Gated Recurrent
Unit Framework for Structural Damage Detection
- arxiv url: http://arxiv.org/abs/2006.01045v1
- Date: Fri, 29 May 2020 07:55:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 23:13:17.567401
- Title: A Hierarchical Deep Convolutional Neural Network and Gated Recurrent
Unit Framework for Structural Damage Detection
- Title（参考訳）: 階層型深部畳み込みニューラルネットワークとGated Recurrent Unit Frameworkによる構造損傷検出
- Authors: Jianxi Yang (1), Likai Zhang (1), Cen Chen (2), Yangfan Li (3), Ren Li
(1), Guiping Wang (1), Shixin Jiang (1), Zeng Zeng (2) ((1) School of
Information Science and Engineering, Chongqing Jiaotong University, (2)
Institute for Infocomm Research (I2R), A*STAR, (3) College of Computer
Science and Electronic Engineering, Hunan University)
- Abstract要約: 本稿では,空間的・時間的関係をモデル化する新しい階層型CNNと Gated Recurrent Unit (GRU) フレームワークを提案する。
提案したHCGは,既存の構造損傷検出法よりも優れていた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structural damage detection has become an interdisciplinary area of interest
for various engineering fields, while the available damage detection methods
are being in the process of adapting machine learning concepts. Most machine
learning based methods heavily depend on extracted ``hand-crafted" features
that are manually selected in advance by domain experts and then, fixed.
Recently, deep learning has demonstrated remarkable performance on traditional
challenging tasks, such as image classification, object detection, etc., due to
the powerful feature learning capabilities. This breakthrough has inspired
researchers to explore deep learning techniques for structural damage detection
problems. However, existing methods have considered either spatial relation
(e.g., using convolutional neural network (CNN)) or temporal relation (e.g.,
using long short term memory network (LSTM)) only. In this work, we propose a
novel Hierarchical CNN and Gated recurrent unit (GRU) framework to model both
spatial and temporal relations, termed as HCG, for structural damage detection.
Specifically, CNN is utilized to model the spatial relations and the short-term
temporal dependencies among sensors, while the output features of CNN are fed
into the GRU to learn the long-term temporal dependencies jointly. Extensive
experiments on IASC-ASCE structural health monitoring benchmark and scale model
of three-span continuous rigid frame bridge structure datasets have shown that
our proposed HCG outperforms other existing methods for structural damage
detection significantly.
- Abstract（参考訳）: 構造的損傷検出は様々な工学分野の学際的な関心領域となり、利用可能な損傷検出手法は機械学習の概念に適応する過程にある。
ほとんどの機械学習ベースの手法は、ドメインの専門家が事前に手動で選択し、固定した‘手作り’の機能に大きく依存する。
近年,画像分類やオブジェクト検出などの従来の課題に対して,強力な特徴学習能力によって,ディープラーニングが顕著な性能を発揮している。
この突破口は、構造損傷検出問題に対するディープラーニング技術を探究するきっかけとなった。
しかし、既存の手法では空間的関係(例えば、畳み込みニューラルネットワーク(CNN))と時間的関係(例えば、長期記憶ネットワーク(LSTM))の両方を考慮している。
本研究では,HCGと呼ばれる空間的・時間的関係をモデル化し,構造的損傷検出のための新しい階層型CNNと Gated Recurrent Unit (GRU) フレームワークを提案する。
具体的には、CNNはセンサ間の空間的関係と短期的時間的依存関係をモデル化し、CNNの出力特性はGRUに入力され、長期的時間的依存関係を共同で学習する。
IASC-ASCE構造健康モニタリングベンチマークと3次元連続剛性フレームブリッジ構造データセットのスケールモデルによる大規模実験により,提案したHCGは他の構造損傷検出方法よりも優れた性能を示した。
関連論文リスト
- Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection [2.3020018305241337]
産業異常検出は品質管理と予測維持に不可欠である。
既存の手法では、深層学習ネットワークから抽出された画像パッチから複数スケールの特徴を活用することで、デントやスクラッチなどの構造異常を一般的に検出する。
構造異常を検出するためのメモリと計算効率のよいアプローチであるDeep Feature Restruction (DFR) に注目し,これらの制約に対処する。
我々はさらに、DFRをUDSADと呼ばれる統一されたフレームワークに拡張し、構造的および論理的異常の両方を検出する。
論文 参考訳（メタデータ） (2024-10-21T17:56:47Z) - A Comparison of Deep Learning Architectures for Spacecraft Anomaly Detection [0.138120109831448]
本研究では,宇宙船データの異常検出における各種ディープラーニングアーキテクチャの有効性を比較することを目的とする。
調査中のモデルには、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、Long Short-Term Memory(LSTM)ネットワーク、Transformerベースのアーキテクチャなどがある。
論文 参考訳（メタデータ） (2024-03-19T16:08:27Z) - Concrete Surface Crack Detection with Convolutional-based Deep Learning
Models [0.0]
き裂検出は、建物の構造的健康モニタリングと検査に重要である。
畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。
我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
論文 参考訳（メタデータ） (2024-01-13T17:31:12Z) - CNN-Based Structural Damage Detection using Time-Series Sensor Data [0.0]
本研究では,新しいコナールニューラルネットワーク(CNN)アルゴリズムを用いて,構造損傷検出の革新的なアプローチを提案する。
時系列データは、提案したニューラルネットワークを用いて2つのカテゴリに分けられる。
その結果,新しいCNNアルゴリズムは構造劣化の発見に極めて正確であることが示唆された。
論文 参考訳（メタデータ） (2023-11-07T11:57:33Z) - TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential
Modelling [54.97005925277638]
潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。
SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。
そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
論文 参考訳（メタデータ） (2023-08-25T08:54:41Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳（メタデータ） (2023-07-17T11:04:27Z) - Evaluation and Comparison of Deep Learning Methods for Pavement Crack
Identification with Visual Images [0.0]
ディープラーニングアルゴリズムによる視覚画像による舗装き裂の識別は、検出対象の材料によって制限されないという利点がある。
パッチサンプル分類の面では、細調整されたTLモデルはEDモデルと精度で同等またはわずかに良い。
正確なクラック位置の面では、EDアルゴリズムとGANアルゴリズムの両方がピクセルレベルのセグメンテーションを達成でき、低演算パワープラットフォーム上でリアルタイムに検出されることが期待できる。
論文 参考訳（メタデータ） (2021-12-20T08:23:43Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Unsupervised Monocular Depth Learning with Integrated Intrinsics and
Spatio-Temporal Constraints [61.46323213702369]
本研究は,大規模深度マップとエゴモーションを予測可能な教師なし学習フレームワークを提案する。
本結果は,KITTI運転データセットの複数シーケンスにおける現在の最先端技術と比較して,高い性能を示す。
論文 参考訳（メタデータ） (2020-11-02T22:26:58Z) - Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。
本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。
また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
論文 参考訳（メタデータ） (2020-07-17T01:56:28Z)
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。