論文の概要: A reusable pipeline for large-scale fiber segmentation on unidirectional
fiber beds using fully convolutional neural networks
- arxiv url: http://arxiv.org/abs/2101.04823v2
- Date: Fri, 15 Jan 2021 00:33:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-03 23:16:29.850014
- Title: A reusable pipeline for large-scale fiber segmentation on unidirectional
fiber beds using fully convolutional neural networks
- Title（参考訳）: 完全畳み込みニューラルネットワークを用いた一方向繊維層上の大規模繊維セグメンテーションのための再利用可能なパイプライン
- Authors: Alexandre Fioravante de Siqueira and Daniela Mayumi Ushizima and
St\'efan van der Walt
- Abstract要約: 我々は,X線X線CTファイバーベッド内のファイバーを検出するためのオープンな計算パイプラインを提案する。
これらのサンプルの繊維を分離するために、完全畳み込みニューラルネットワークの4つの異なるアーキテクチャをテストした。
ニューラルネットワークのアプローチを半監視方式と比較すると、DiceとMatthewsの係数は92.28 pm 9.65%以上となり、最大98.42 pm 0.03 %$に達した。
- 参考スコア（独自算出の注目度）: 68.8204255655161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fiber-reinforced ceramic-matrix composites are advanced materials resistant
to high temperatures, with application to aerospace engineering. Their analysis
depends on the detection of embedded fibers, with semi-supervised techniques
usually employed to separate fibers within the fiber beds. Here we present an
open computational pipeline to detect fibers in ex-situ X-ray computed
tomography fiber beds. To separate the fibers in these samples, we tested four
different architectures of fully convolutional neural networks. When comparing
our neural network approach to a semi-supervised one, we obtained Dice and
Matthews coefficients greater than $92.28 \pm 9.65\%$, reaching up to $98.42
\pm 0.03 \%$, showing that the network results are close to the
human-supervised ones in these fiber beds, in some cases separating fibers that
human-curated algorithms could not find. The software we generated in this
project is open source, released under a permissive license, and can be freely
adapted and re-used in other domains. All data and instructions on how to
download and use it are also available.
- Abstract（参考訳）: 繊維強化セラミック-マトリクス複合材料は高温に耐性があり、航空宇宙工学への応用がある。
これらの分析は埋め込まれた繊維の検出に依存するが、半教師ありの手法は通常繊維層内の繊維を分離するために用いられる。
本稿では,x線ctファイバベッド内のファイバを検出するための開計算パイプラインを提案する。
これらのサンプルの繊維を分離するために、完全畳み込みニューラルネットワークの4つの異なるアーキテクチャをテストした。
ニューラルネットワークのアプローチを半教師付きのものと比較すると、Dice と Matthews の係数が 92.28 \pm 9.65\%$ 以上になり、最大 98.42 \pm 0.03 \%$ に達し、ネットワークの結果がこれらのファイバー層内の人間の監督されたものに近いことを示す。
このプロジェクトで私たちが生成したソフトウェアはオープンソースで、許容ライセンスの下でリリースされています。
ダウンロードおよび使用方法に関するすべてのデータと指示も利用可能である。
関連論文リスト
- Ensemble learning of the atrial fiber orientation with physics-informed neural networks [0.0]
本研究では、局所的な電気記録からアトリアにおける異方性伝導を自動的に同定するFibernetを提案する。
ニューラルネットワークのアンサンブルを使用して、複数のサンプルを生成し、すべての観測データを適合させ、後部統計を計算します。
提案手法は, 繊維配向と伝導速度を定量化した不確かさで7分以内で推定できる。
論文 参考訳（メタデータ） (2024-10-30T18:45:19Z) - FRC-TOuNN: Topology Optimization of Continuous Fiber Reinforced
Composites using Neural Network [4.355018965813992]
本稿では,ニューラルネットワーク(NN)に基づくメッシュ非依存表現を提案し,行列トポロジとファイバー分布を捉える。
暗黙的なNNベースの表現は、メッシュの離散化よりも高い解像度で幾何学的および物質的クエリを可能にする。
固定化連続繊維強化複合材料を高分解能で高分解能で製造できることを示す。
論文 参考訳（メタデータ） (2022-05-07T23:10:34Z) - Deep fiber clustering: Anatomically informed fiber clustering with
self-supervised deep learning for fast and effective tractography
parcellation [22.754116315299182]
白色物質繊維クラスタリングのための新しいディープラーニングフレームワーク,Deep Fiber Clustering (DFC)を提案する。
DFCは、教師なしクラスタリング問題をドメイン固有のプレテキストタスクを用いて自己教師付き学習タスクとして解決し、ペアワイズファイバ距離を予測する。
実験により、クラスタのコンパクト性、一般化能力、解剖学的コヒーレンス、計算効率の観点から、DFCの優れた性能が示された。
論文 参考訳（メタデータ） (2022-05-02T02:41:02Z) - End-to-End Sensitivity-Based Filter Pruning [49.61707925611295]
本稿では,各層間のフィルタの重要度を学習するための感度に基づくフィルタプルーニングアルゴリズム(SbF-Pruner)を提案する。
提案手法はフィルタ重みからスコアを学習し,各層のフィルタ間の相関を考慮できる。
論文 参考訳（メタデータ） (2022-04-15T10:21:05Z) - On the Neural Tangent Kernel Analysis of Randomly Pruned Neural Networks [91.3755431537592]
ニューラルネットワークのニューラルカーネル(NTK)に重みのランダムプルーニングが及ぼす影響について検討する。
特に、この研究は、完全に接続されたニューラルネットワークとそのランダムに切断されたバージョン間のNTKの等価性を確立する。
論文 参考訳（メタデータ） (2022-03-27T15:22:19Z) - Scalable Lipschitz Residual Networks with Convex Potential Flows [120.27516256281359]
残差ネットワーク勾配流における凸ポテンシャルを用いることで,1ドルのLipschitz変換が組み込まれていることを示す。
CIFAR-10の包括的な実験は、アーキテクチャのスケーラビリティと、証明可能な防御に$ell$のアプローチの利点を実証している。
論文 参考訳（メタデータ） (2021-10-25T07:12:53Z) - Deep Fiber Clustering: Anatomically Informed Unsupervised Deep Learning
for Fast and Effective White Matter Parcellation [21.835894924330752]
教師なしディープラーニングに基づく新しいWMFCフレームワークを提案する。
畳み込みニューラルネットワークを用いて入力ファイバの埋め込みを学習し、ペアワイズファイバ距離を擬似アノテーションとして利用する。
その結果,提案手法の性能と効率性が向上した。
論文 参考訳（メタデータ） (2021-07-11T01:36:57Z) - Characterization and stability measurement of deployed multicore fibers
for quantum applications [50.591267188664666]
我々は,L'Aquila市の地下に設置した4コアマルチコアファイバの複数ストランドを,位相安定性の観点から初めて特徴付ける。
本研究では,高次元量子鍵分布や量子ベース環境センサなどの量子強化方式を実現するために,そのようなインフラを利用することの可能性を検討する。
論文 参考訳（メタデータ） (2021-03-11T18:24:59Z) - FabricNet: A Fiber Recognition Architecture Using Ensemble ConvNets [0.0]
画像に基づく繊維認識システムの先駆的なアプローチであるFabricNetを提案します。
FabricNetは、布の表面画像のみを利用することで、大規模な繊維を認識できる。
本実験は50種類の繊維繊維を識別する実験である。
論文 参考訳（メタデータ） (2021-01-14T12:11:23Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳（メタデータ） (2020-04-17T19:12:39Z)
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。