論文の概要: Optimized and autonomous machine learning framework for characterizing pores, particles, grains and grain boundaries in microstructural images

• arxiv url: http://arxiv.org/abs/2101.06474v1
• Date: Sat, 16 Jan 2021 16:42:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 04:26:36.418566
• Title: Optimized and autonomous machine learning framework for characterizing pores, particles, grains and grain boundaries in microstructural images
• Title（参考訳）: 微細構造画像における細孔・粒子・粒界・粒界の最適・自律機械学習フレームワーク
• Authors: Roberto Perera, Davide Guzzetti, Vinamra Agrawal
• Abstract要約: 実験的なマイクロ構造キャラクタリゼーション技術は、高価な計算リソースを必要とする大量のデータを生成する。 本研究では, 所定の微細構造像から細孔, 粒子, 粒界および粒界(gbs)を自律的かつ効率的にキャラクタリゼーションするための最適化機械学習(ml)フレームワークを提案する。
• 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: Additively manufactured metals exhibit heterogeneous microstructure which dictates their material and failure properties. Experimental microstructural characterization techniques generate a large amount of data that requires expensive computationally resources. In this work, an optimized machine learning (ML) framework is proposed to autonomously and efficiently characterize pores, particles, grains and grain boundaries (GBs) from a given microstructure image. First, using a classifier Convolutional Neural Network (CNN), defects such as pores, powder particles, or GBs were recognized from a given microstructure. Depending on the type of defect, two different processes were used. For powder particles or pores, binary segmentations were generated using an optimized Convolutional Encoder-Decoder Network (CEDN). The binary segmentations were used to used obtain particle and pore size and bounding boxes using an object detection ML network (YOLOv5). For GBs, another optimized CEDN was developed to generate RGB segmentation images, which were used to obtain grain size distribution using two regression CNNS. To optimize the RGB CEDN, the Deep Emulator Network SEarch (DENSE) method which employs the Covariance Matrix Adaptation - Evolution Strategy (CMA-ES) was implemented. The optimized RGB segmentation network showed a substantial reduction in training time and GPU usage compared to the unoptimized network, while maintaining high accuracy. Lastly, the proposed framework showed a significant improvement in analysis time when compared to conventional methods.
• Abstract（参考訳）: 添加製造された金属は、材料と破壊特性を決定する不均質な組織を示す。 実験的なマイクロ構造キャラクタリゼーション技術は、高価な計算リソースを必要とする大量のデータを生成する。 本研究では, 所定の微細構造像から細孔, 粒子, 粒界および粒界(gbs)を自律的かつ効率的にキャラクタリゼーションするための最適化機械学習(ml)フレームワークを提案する。 まず, 分類器畳み込みニューラルネットワーク(cnn)を用いて, 細孔, 粉体粒子, gbsなどの欠陥を与えられた微細構造から認識した。 欠陥の種類によって2つの異なるプロセスが使われた。 粉体粒子や細孔については、最適化された畳み込みエンコーダデコーダネットワーク(CEDN)を用いてバイナリセグメンテーションが生成される。 2値セグメンテーションは、オブジェクト検出MLネットワーク(YOLOv5)を用いて、粒子と孔径とバウンディングボックスを得るのに使われた。 GBに対して,2つの回帰CNNを用いて粒径分布を求めるRGB分割画像を生成するために,別の最適化CEDNを開発した。 RGB CEDNを最適化するために、共分散行列適応-進化戦略(CMA-ES)を用いたDeep Emulator Network Search(DENSE)法が実装された。 最適化されたRGBセグメンテーションネットワークは、高い精度を維持しながら、最適化されていないネットワークに比べてトレーニング時間とGPU使用量が大幅に削減された。 最後に,提案手法は従来の手法と比較して解析時間を大幅に改善した。

関連論文リスト

• Two Sparse Matrices are Better than One: Sparsifying Neural Networks with Double Sparse Factorization [0.0]
  重み行列を2つのスパース行列に分解するDouble Sparse Factorization(DSF)を提案する。 提案手法は最先端の結果を達成し,従来のニューラルネットワークのスペーサー化を可能にした。
  論文  参考訳（メタデータ） (2024-09-27T15:48:39Z)
• Efficient Segmentation with Texture in Ore Images Based on Box-supervised Approach [6.6773975364173]
  完全な鉱石と独立した鉱石を識別するために, テクスチャを特徴とするボックス管理手法を提案する。 提案手法は,21.6MBの小型モデルサイズで毎秒50フレーム以上を実現する。 この手法は、鉱石画像データセットの最先端アプローチと比較して高い精度を維持している。
  論文  参考訳（メタデータ） (2023-11-10T08:28:22Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Compacting Binary Neural Networks by Sparse Kernel Selection [58.84313343190488]
  本稿は,BNNにおけるバイナリカーネルの分散化がほぼ不可能であることを示すものである。 我々は、選択過程をエンドツーエンドに最適化するだけでなく、選択したコードワードの非反復的占有を維持できる置換ストレートスルー推定器(PSTE)を開発した。 実験により,提案手法はモデルサイズとビット幅の計算コストの両方を削減し,同等の予算下での最先端のBNNと比較して精度の向上を実現する。
  論文  参考訳（メタデータ） (2023-03-25T13:53:02Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• FluTO: Graded Multiscale Fluid Topology Optimization using Neural Networks [5.104113288544065]
  本研究では,流体流動デバイスの設計のための段階的マルチスケールトポロジ最適化(GMTO)を提案する。 GMTOはマルチスケールトポロジ最適化(MTO)の利点の多くを保持しながら計算を著しく削減する
  論文  参考訳（メタデータ） (2022-09-16T20:52:21Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Improving the Segmentation of Scanning Probe Microscope Images using Convolutional Neural Networks [0.9236074230806579]
  有機溶媒からの沈着によりシリコン表面に生成した金ナノ粒子の2次元集合体像の分画プロトコルを開発した。 溶媒の蒸発は粒子の極端に平衡な自己組織化を駆動し、様々なナノパターンや微細構造パターンを生み出す。 U-Net畳み込みニューラルネットワークを用いたセグメンテーション戦略が従来の自動アプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-27T20:49:59Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Res-CR-Net, a residual network with a novel architecture optimized for the semantic segmentation of microscopy images [0.5363346028859919]
  Res-CR-NetはDeep Neural Network(DNN)の一種で、異なるダイレーションレートの分離可能なアトラス畳み込みの束または畳み込みLSTMを持つ残効ブロックを特徴とする。 各残余ブロックで使用されるフィルタの数とブロック数だけが、様々な顕微鏡画像のネットワークトレーニングを最適化するために修正する必要がある唯一のハイパーパラメータである。
  論文  参考訳（メタデータ） (2020-04-14T21:21:01Z)

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。