論文の概要: Machine learning approach to force reconstruction in photoelastic materials

• arxiv url: http://arxiv.org/abs/2010.01163v3
• Date: Tue, 3 Aug 2021 02:17:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 02:28:24.143550
• Title: Machine learning approach to force reconstruction in photoelastic materials
• Title（参考訳）: 光弾性材料における力復元のための機械学習アプローチ
• Authors: Renat Sergazinov, Miroslav Kramar
• Abstract要約: 光弾性技術は、グラニュラー材料の応力の質的および定量的解析において長い伝統を持つ。 本稿では、畳み込みニューラルネットワークの力を利用して複雑な空間パターンを認識できる新しい手法を提案する。 この問題は、大規模な合成データセット上でネットワークを事前訓練し、より小さな実験データセット上でそれらを微調整することで、うまく回避できることを示す。
• 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: Photoelastic techniques have a long tradition in both qualitative and quantitative analysis of the stresses in granular materials. Over the last two decades, computational methods for reconstructing forces between particles from their photoelastic response have been developed by many different experimental teams. Unfortunately, all of these methods are computationally expensive. This limits their use for processing extensive data sets that capture the time evolution of granular ensembles consisting of a large number of particles. In this paper, we present a novel approach to this problem which leverages the power of convolutional neural networks to recognize complex spatial patterns. The main drawback of using neural networks is that training them usually requires a large labeled data set which is hard to obtain experimentally. We show that this problem can be successfully circumvented by pretraining the networks on a large synthetic data set and then fine-tuning them on much smaller experimental data sets. Due to our current lack of experimental data, we demonstrate the potential of our method by changing the size of the considered particles which alters the exhibited photoelastic patterns more than typical experimental errors.
• Abstract（参考訳）: 光弾性技術は、グラニュラー材料の応力の質的および定量的解析において長い伝統を持つ。 過去20年にわたり、光弾性応答から粒子間の力を再構成する計算手法が様々な実験チームによって開発されてきた。 残念ながら、これらの手法はすべて計算コストが高い。 これにより、多数の粒子からなる粒状アンサンブルの時間進化を捉えた広範なデータセットの処理が制限される。 本稿では,複雑な空間パターンを認識するために畳み込みニューラルネットワークのパワーを利用する新しい手法を提案する。 ニューラルネットワークを使用する主な欠点は、トレーニングが通常、実験的に取得することが難しい大きなラベル付きデータセットを必要とすることである。 大規模合成データセット上でネットワークを事前学習し、より小さな実験データセットで微調整することで、この問題を回避できることを示す。 実験データの欠如により, 典型的な実験誤差ではなく, 光弾性パターンを呈示する粒子の大きさを変化させることにより, 提案手法の可能性を実証した。

関連論文リスト

• A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [55.748186000425996]
  最近の進歩は、拡散モデルが高品質な画像を生成することを示している。 我々はこの現象を階層的なデータ生成モデルで研究する。 本分析は拡散モデルにおける時間とスケールの関係を特徴付ける。
  論文  参考訳（メタデータ） (2024-02-26T19:52:33Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Data Augmentations in Deep Weight Spaces [89.45272760013928]
  そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。 既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2023-11-15T10:43:13Z)
• Dissecting U-net for Seismic Application: An In-Depth Study on Deep Learning Multiple Removal [3.058685580689605]
  地震処理は、しばしばデータ収集時に現れる多重を抑圧する必要がある。 我々は、その使い方の複雑さを減らしながら、競争力のある結果を提供するディープラーニングベースの代替案を提示します。
  論文  参考訳（メタデータ） (2022-06-24T07:16:27Z)
• An Information-Theoretic Framework for Supervised Learning [22.280001450122175]
  後悔とサンプルの複雑さという独自の概念を持つ新しい情報理論フレームワークを提案する。 本稿では、ReLUアクティベーションユニットを用いたディープニューラルネットワークによって生成されたデータから学習する際のサンプルの複雑さについて検討する。 我々は、ランダムな単層ニューラルネットワークの実験的な解析により、理論結果を裏付けることで結論付ける。
  論文  参考訳（メタデータ） (2022-03-01T05:58:28Z)
• Bubble identification from images with machine learning methods [3.4123736336071864]
  気泡流画像の自動的かつ信頼性の高い処理が必要である。 近年のアプローチでは,この課題に対するディープラーニングアルゴリズムの利用に焦点が当てられている。 本研究では、畳み込みニューラルネットワーク(CNN)に基づく3つの異なる手法を試すことにより、これらの点に挑戦する。
  論文  参考訳（メタデータ） (2022-02-07T12:38:17Z)
• Multi-scale Feature Learning Dynamics: Insights for Double Descent [71.91871020059857]
  一般化誤差の「二重降下」現象について検討する。 二重降下は、異なるスケールで学習される異なる特徴に起因する可能性がある。
  論文  参考訳（メタデータ） (2021-12-06T18:17:08Z)
• Size doesn't matter: predicting physico- or biochemical properties based on dozens of molecules [0.0]
  本論文は,データ不足を伴う対象特性のモデルの性能を著しく改善したことを示す。 また,データセット構成がモデル品質および結果モデルの適用性領域に及ぼす影響についても検討した。
  論文  参考訳（メタデータ） (2021-07-22T18:57:24Z)
• Synthetic Image Rendering Solves Annotation Problem in Deep Learning Nanoparticle Segmentation [5.927116192179681]
  レンダリングソフトウェアを使用することで、リアルで合成されたトレーニングデータを生成して、最先端の深層ニューラルネットワークをトレーニングできることが示される。 有害な金属酸化物ナノ粒子アンサンブルに対する人為的アノテーションに匹敵するセグメンテーション精度を導出する。
  論文  参考訳（メタデータ） (2020-11-20T17:05:36Z)
• Neural Networks Are More Productive Teachers Than Human Raters: Active Mixup for Data-Efficient Knowledge Distillation from a Blackbox Model [57.41841346459995]
  我々は,ブラックボックス教師モデルから知識を抽出し,学生の深層ニューラルネットワークを視覚認識のために訓練する方法を,データ効率のよい方法で研究する。 混合学習とアクティブラーニングを融合した手法を提案する。
  論文  参考訳（メタデータ） (2020-03-31T05:44:55Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。