論文の概要: Deep Learning based Dimple Segmentation for Quantitative Fractography

• arxiv url: http://arxiv.org/abs/2007.02267v3
• Date: Thu, 1 Oct 2020 10:33:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 08:14:19.630486
• Title: Deep Learning based Dimple Segmentation for Quantitative Fractography
• Title（参考訳）: 定量的フラクトグラフィのための深層学習に基づくDimple Segmentation
• Authors: Ashish Sinha, K S Suresh
• Abstract要約: 教師付き機械学習手法を用いてフラクタグラフにおけるディアンプのセグメント化の問題に対処する。 この研究は、完全畳み込みニューラルネットワークを用いたフラクトログラフィーにおける最初の研究であり、ディムプルフラクトログラフィーの教師あり学習のための自己注意である。
• 参考スコア（独自算出の注目度）: 2.4139992783528585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we try to address the challenging problem of dimple detection and segmentation in Titanium alloys using machine learning methods, especially neural networks. The images i.e. fractographs are obtained using a Scanning Election Microscope (SEM). To determine the cause of fracture in metals we address the problem of segmentation of dimples in fractographs i.e. the fracture surface of metals using supervised machine learning methods. Determining the cause of fracture would help us in material property, mechanical property prediction and development of new fracture-resistant materials. This method would also help in correlating the topography of the fracture surface with the mechanical properties of the material. Our proposed novel model achieves the best performance as compared to other previous approaches. To the best of our knowledge, this is one the first work in fractography using fully convolutional neural networks with self-attention for supervised learning of dimple fractography, though it can be easily extended to account for brittle characteristics as well.
• Abstract（参考訳）: 本研究では, 機械学習手法, 特にニューラルネットワークを用いてチタン合金中のディプル検出とセグメンテーションの課題を解決する。 走査型選挙顕微鏡(sem)を用いてフラクタグラフの画像を得る。 金属の破壊の原因を解明するため,フラクタグラフ中のディプルのセグメンテーション問題,すなわち教師付き機械学習手法による金属の破壊面について論じる。 破壊の原因を決定することは, 材料特性, 機械的特性予測, 新しい耐破壊性材料の開発に役立つ。 この方法では、破壊面の地形と材料の力学的性質を関連付けるのにも役立つ。 提案手法は他の手法と比較して最高の性能を実現する。 我々の知る限りでは、これは完全な畳み込みニューラルネットワークを用いたフラクトグラフィにおける最初の仕事であり、ディプルフラクトグラフィの教師付き学習のためのセルフアテンションである。

関連論文リスト

• White Matter Geometry-Guided Score-Based Diffusion Model for Tissue Microstructure Imputation in Tractography Imaging [8.994860310545532]
  白質トラクトグラフィーのパーセレーションは、疾患予測、解剖学的トラクトセグメンテーション、外科的脳マッピング、非画像的表現型分類などの解剖学的特徴を提供する。 WMG-Diffモデル(White Matter Geometry-Guided Diffusion)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-28T10:40:32Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• Intelligent Cervical Spine Fracture Detection Using Deep Learning Methods [0.0]
  本稿では,各画像スライスにおける頚椎の存在を識別するための2段階パイプラインを提案する。 第1段階では、画像メタデータと画像メタデータを組み込んだマルチインプットネットワークを訓練する。 第2段階では、画像内の骨折を検出するためにYOLOv8モデルを訓練し、その効果をYOLOv5と比較する。
  論文  参考訳（メタデータ） (2023-11-09T19:34:42Z)
• Gravity Network for end-to-end small lesion detection [50.38534263407915]
  本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。 小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。 この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
  論文  参考訳（メタデータ） (2023-09-22T14:02:22Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Machine learning-based spin structure detection [0.0]
  我々は,この測定におけるスカイミオンの位置と形状を検出するために,セグメンテーション問題に特化して設計された畳み込みニューラルネットワークについて報告する。 本研究の結果から, よく訓練されたネットワークは, 磁気顕微鏡におけるデータ前処理の自動化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T17:19:31Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Encoding Metal Mask Projection for Metal Artifact Reduction in Computed Tomography [21.5885187197634]
  CT(Computerd tomography)における金属人工物還元(MAR)は、画像領域において人工物が構造化され非局所的であるため、非常に難しい課題である。 そこで本研究では,(1)シングラム中の金属汚染領域の維持,(2)バイナライズされた金属の痕跡を金属マスク投影に置き換えることにより,この問題に対処することを提案する。 我々の新しいネットワークは、特に金属オブジェクトが大きい場合、最先端のアプローチよりも、より正確な人工物再現画像を生成する。
  論文  参考訳（メタデータ） (2020-01-02T06:39:06Z)

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。