論文の概要: Generative adversarial network with object detector discriminator for enhanced defect detection on ultrasonic B-scans

• arxiv url: http://arxiv.org/abs/2106.04281v1
• Date: Tue, 8 Jun 2021 12:21:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 01:33:02.499751
• Title: Generative adversarial network with object detector discriminator for enhanced defect detection on ultrasonic B-scans
• Title（参考訳）: 超音波Bスキャンの欠陥検出のための物体検出器判別器を用いた生成対向ネットワーク
• Authors: Luka Posilovi\'c, Duje Medak, Marko Subasic, Marko Budimir, Sven Loncaric
• Abstract要約: 本稿では,異なる場所に欠陥のある超音波Bスキャンを生成するための新しいディープラーニング生成適応ネットワークモデルを提案する。 生成したBスキャンを合成データ拡張に利用でき、深部畳み込みニューラルネットワークの性能を向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-destructive testing is a set of techniques for defect detection in materials. While the set of imaging techniques are manifold, ultrasonic imaging is the one used the most. The analysis is mainly performed by human inspectors manually analyzing recorded images. The low number of defects in real ultrasonic inspections and legal issues considering data from such inspections make it difficult to obtain proper results from automatic ultrasonic image (B-scan) analysis. In this paper, we present a novel deep learning Generative Adversarial Network model for generating ultrasonic B-scans with defects in distinct locations. Furthermore, we show that generated B-scans can be used for synthetic data augmentation, and can improve the performance of deep convolutional neural object detection networks. Our novel method is demonstrated on a dataset of almost 4000 B-scans with more than 6000 annotated defects. Defect detection performance when training on real data yielded average precision of 71%. By training only on generated data the results increased to 72.1%, and by mixing generated and real data we achieve 75.7% average precision. We believe that synthetic data generation can generalize to other challenges with limited datasets and could be used for training human personnel.
• Abstract（参考訳）: 非破壊試験は材料の欠陥検出のための一連の技術である。 撮像技術のセットは多様体であるが、超音波イメージングが最も使われている。 この分析は主に、手動で記録された画像を分析する人間の検査者が行う。 実際の超音波検査における欠陥の少ない点, 検査データを考慮した法的な問題点は, 自動超音波画像解析から適切な結果を得るのが困難である。 本稿では,異なる場所に欠陥のある超音波bスキャンを生成するための,新しい深層学習生成逆ネットワークモデルを提案する。 さらに,生成されたb-scanを合成データ拡張に利用し,深層畳み込みニューラルネットワークの性能を向上させることができることを示した。 6000以上の注釈付き欠陥を有する約4000個のBスキャンのデータセット上で本手法を実証した。 実データにおけるトレーニング時の欠陥検出性能は平均71%であった。 生成データのみをトレーニングすることにより、結果が72.1%まで増加し、生成データと実データとを混合することで、平均精度75.7%に達する。 我々は、合成データ生成が限られたデータセットで他の課題に一般化でき、人事訓練に使用できると考えている。

関連論文リスト

• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
  データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。 従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。 我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-04T14:28:52Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• A Study on Deep CNN Structures for Defect Detection From Laser Ultrasonic Visualization Testing Images [0.0]
  本稿では,LUVT画像における欠陥の自動検出と局所化のためのディープニューラルネットワークを提案する。 SUS304平板の実世界データを用いた数値実験により,提案手法は汎用物体検出モデルよりも有効であることが示された。
  論文  参考訳（メタデータ） (2023-05-23T11:16:41Z)
• Towards Realistic Ultrasound Fetal Brain Imaging Synthesis [0.7315240103690552]
  臨床データ不足、患者のプライバシ、一般的には異常の稀な発生、データ収集と検証の専門家の限られたため、一般の超音波胎児画像データセットはほとんどない。 このようなデータ不足に対処するため、私たちは1つのパブリックデータセットから胎児の超音波脳面の画像を生成するために、GAN(Generative Adversarial Network)ベースのモデル、拡散超解像-GANとトランスフォーマーベース-GANを提案した。
  論文  参考訳（メタデータ） (2023-04-08T07:07:20Z)
• Improving Automated Hemorrhage Detection in Sparse-view Computed Tomography via Deep Convolutional Neural Network based Artifact Reduction [3.9874211732430447]
  3000例のSparse-view cranial CTによるアーティファクト削減のためのU-Netの訓練を行った。 また, 自動出血検出のために17,545例のCTデータから畳み込みニューラルネットワークを訓練した。 U-Netは、画像の品質や出血の自動診断に関して、未処理画像やテレビ処理画像よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-16T14:21:45Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Synthetic training data generation for deep learning based quality inspection [0.0]
  欠陥のある部分や正常な部分(欠陥のない部分)の画像を描画する汎用的なシミュレーションパイプラインを提案する。 深層学習ネットワークを訓練し、製造元からの実データでテストすることで、生成した画像の品質を評価する。
  論文  参考訳（メタデータ） (2021-04-07T08:07:57Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。