Fugu-MT 論文翻訳(概要): Manifold learning-based feature extraction for structural defect reconstruction

論文の概要: Manifold learning-based feature extraction for structural defect reconstruction

arxiv url: http://arxiv.org/abs/2010.15605v1
Date: Mon, 26 Oct 2020 12:00:21 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 20:28:22.761699
Title: Manifold learning-based feature extraction for structural defect reconstruction
Title（参考訳）: マニフォールド学習に基づく構造欠陥復元のための特徴抽出
Authors: Qi Li, Dianzi Liu, Zhenghua Qian
Abstract要約: NetInvは、逆導波散乱問題をデータ駆動型教師あり学習の進歩として再放送する。従来の欠陥修復法に比べて,NetInvの方が優れていることが実証されている。
参考スコア（独自算出の注目度）: 7.036684608540471
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data-driven quantitative defect reconstructions using ultrasonic guided waves has recently demonstrated great potential in the area of non-destructive testing. In this paper, we develop an efficient deep learning-based defect reconstruction framework, called NetInv, which recasts the inverse guided wave scattering problem as a data-driven supervised learning progress that realizes a mapping between reflection coefficients in wavenumber domain and defect profiles in the spatial domain. The superiorities of the proposed NetInv over conventional reconstruction methods for defect reconstruction have been demonstrated by several examples. Results show that NetInv has the ability to achieve the higher quality of defect profiles with remarkable efficiency and provides valuable insight into the development of effective data driven structural health monitoring and defect reconstruction using machine learning.
Abstract（参考訳）: 超音波誘導波を用いたデータ駆動量的欠陥復元は,非破壊試験の分野で大きな可能性を示している。本稿では,波数領域の反射係数と空間領域の欠陥プロファイルのマッピングを実現するデータ駆動教師付き学習進展として,逆導波散乱問題を再キャストする,効率的な深層学習に基づく欠陥再構成フレームワークnetinvを開発した。従来の欠陥修復法に比べて提案手法が優れていることがいくつかの例で示されている。結果から,NetInvは高い品質の欠陥プロファイルを顕著な効率で達成し,機械学習を用いた効率的なデータ駆動型構造的健康モニタリングと欠陥再構築の開発に関する貴重な知見を提供する。

関連論文リスト

SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文参考訳（メタデータ） (2024-07-23T20:34:23Z)
Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Industrial Anomaly Detection [4.742650815342744]
産業生産における品質検査には, 教師なし異常検出が重要である。本稿では,クロスマスク復元を用いた多機能再構成ネットワークMFRNetを提案する。提案手法は,4つの公開データセットと1つの自作データセットにおいて,他の最先端のデータセットと高い競争力,あるいは大幅に上回っている。
論文参考訳（メタデータ） (2024-04-20T05:13:56Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification [2.7503452586560484]
非教師なし異常検出(UAD)は、まれな異常発生とデータ不均衡により、業界で広く採用されているアプローチである。近年の研究では、異なる視点からの再構築において、それらの UAD モデルの一般化能力を含めることが試みられている。そこで我々は,ロスアンプリフィケーション(Loss AMPlification)と呼ばれる再構成損失を増幅することにより,損失景観の鮮明化手法を提案する。
論文参考訳（メタデータ） (2023-08-28T14:06:36Z)
Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文参考訳（メタデータ） (2023-01-28T01:57:57Z)
A Lightweight Reconstruction Network for Surface Defect Inspection [3.6823636353870954]
本稿では,再構成ネットワークに基づく教師なし欠陥検出アルゴリズムを提案する。再構成ネットワークは、軽量な構造を持つ完全畳み込みオートエンコーダによって設計されている。その結果,再構成ネットワークの非教師なし欠陥検出アルゴリズムは強い堅牢性と精度を有することがわかった。
論文参考訳（メタデータ） (2022-12-25T08:59:15Z)
Stabilizing Adversarially Learned One-Class Novelty Detection Using Pseudo Anomalies [22.48845887819345]
異常スコアは、逆学習されたジェネレータの再構成損失と/または識別器の分類損失を用いて定式化されている。トレーニングデータにおける異常な例の有効性は、そのようなネットワークの最適化を困難にしている。本研究では,判別器の基本的役割を,実データと偽データとの識別から,良質データと悪質データとの区別に転換することで,そのような不安定性を克服する堅牢な異常検出フレームワークを提案する。
論文参考訳（メタデータ） (2022-03-25T15:37:52Z)
A Dataset-Dispersion Perspective on Reconstruction Versus Recognition in Single-View 3D Reconstruction Networks [16.348294592961327]
我々は、この先行要因を定量化し、そのNNへの影響を研究するために、新しいデータ駆動計量である分散スコアを導入する。提案手法は, 従来の再建スコアに加えて, 復元品質を解析し, 新たな情報を提供する主要な方法であることを示す。
論文参考訳（メタデータ） (2021-11-30T06:33:35Z)
Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。計算課題に対処する2段階の学習パラダイムを開発する。
論文参考訳（メタデータ） (2021-11-23T15:08:26Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。上記の問題に対処するための特徴歪み法(Disout)を提案する。より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
論文参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。