Fugu-MT 論文翻訳(概要): Automatic Head Overcoat Thickness Measure with NASNet-Large-Decoder Net

論文の概要: Automatic Head Overcoat Thickness Measure with NASNet-Large-Decoder Net

arxiv url: http://arxiv.org/abs/2106.12054v1
Date: Tue, 22 Jun 2021 20:53:58 GMT
ステータス: 処理完了
システム内更新日: 2021-06-25 02:07:04.191554
Title: Automatic Head Overcoat Thickness Measure with NASNet-Large-Decoder Net
Title（参考訳）: nasnet-large-decoder netによるヘッドオーバーコート厚みの自動測定
Authors: Youshan Zhang, Brian D. Davison, Vivien W. Talghader, Zhiyu Chen, Zhiyong Xiao, Gary J. Kunkel
Abstract要約: TEM画像からの膜厚のマニュアル決定は、主観的だけでなく時間を要する。したがって,ヘッドオーバーコートの厚さを自動的に測定するソフトウェアを開発する必要がある。本研究では,NASNet-Largeをエンコーダとし,次にデコーダアーキテクチャを用いたHOC層分割手法を提案する。分割HOC層の厚さを測定するために,回帰畳み込みニューラルネットワーク(RCNN)モデルを提案する。
参考スコア（独自算出の注目度）: 10.582441516469856
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Transmission electron microscopy (TEM) is one of the primary tools to show microstructural characterization of materials as well as film thickness. However, manual determination of film thickness from TEM images is time-consuming as well as subjective, especially when the films in question are very thin and the need for measurement precision is very high. Such is the case for head overcoat (HOC) thickness measurements in the magnetic hard disk drive industry. It is therefore necessary to develop software to automatically measure HOC thickness. In this paper, for the first time, we propose a HOC layer segmentation method using NASNet-Large as an encoder and then followed by a decoder architecture, which is one of the most commonly used architectures in deep learning for image segmentation. To further improve segmentation results, we are the first to propose a post-processing layer to remove irrelevant portions in the segmentation result. To measure the thickness of the segmented HOC layer, we propose a regressive convolutional neural network (RCNN) model as well as orthogonal thickness calculation methods. Experimental results demonstrate a higher dice score for our model which has lower mean squared error and outperforms current state-of-the-art manual measurement.
Abstract（参考訳）: 透過電子顕微鏡(TEM)は、材料の微細な特性と膜厚を示す主要なツールの1つである。しかし、TEM画像からのフィルム厚のマニュアル決定は、特に被写体が非常に薄く、測定精度が極めて高い場合には、時間的だけでなく主観的にもかかわる。磁気ディスクドライブ産業におけるヘッドオーバーコート(hoc)厚み測定の場合も同様である。したがって,HOCの厚さを自動的に測定するソフトウェアを開発する必要がある。本稿では,まず,nasnet-largeをエンコーダとして使用するhoc層セグメンテーション手法を提案し,次にデコーダアーキテクチャを提案する。セグメンテーションの結果をさらに改善するため,我々はまず,セグメンテーション結果の無関係部分を除去する後処理層を提案する。分割HOC層の厚さを測定するため, 回帰畳み込みニューラルネットワーク(RCNN)モデルと直交厚さ計算法を提案する。実験の結果, 平均二乗誤差が低く, 現状の手動測定に優れるモデルに対して, より高いダイススコアが得られた。

関連論文リスト

DiffCut: Catalyzing Zero-Shot Semantic Segmentation with Diffusion Features and Recursive Normalized Cut [62.63481844384229]
ファンデーションモデルは、言語、ビジョン、マルチモーダルタスクなど、さまざまな領域にまたがる強力なツールとして登場した。本稿では,拡散UNetエンコーダを基礎ビジョンエンコーダとして使用し,教師なしゼロショットセグメンテーション手法であるDiffCutを紹介する。我々の研究は、拡散UNetエンコーダに埋め込まれた極めて正確なセマンティック知識を強調し、下流タスクの基盤ビジョンエンコーダとして機能する。
論文参考訳（メタデータ） (2024-06-05T01:32:31Z)
Light-weight Retinal Layer Segmentation with Global Reasoning [14.558920359236572]
OCT画像に適用可能な網膜層セグメンテーションのためのLightReSegを提案する。提案手法は,現在の最先端技術であるTransUnetと比較して,セグメンテーション性能が向上する。
論文参考訳（メタデータ） (2024-04-25T05:42:41Z)
LiteNeXt: A Novel Lightweight ConvMixer-based Model with Self-embedding Representation Parallel for Medical Image Segmentation [2.0901574458380403]
医用画像分割のための軽量だが効率的な新しいモデル LiteNeXt を提案する。 LiteNeXtは、少量のパラメータ (0.71M) とギガ浮動小数点演算 (0.42) でスクラッチから訓練されている。
論文参考訳（メタデータ） (2024-04-04T01:59:19Z)
Learning-Based Dimensionality Reduction for Computing Compact and Effective Local Feature Descriptors [101.62384271200169]
特徴の形でのイメージパッチの独特な表現は多くのコンピュータビジョンとロボティクスのタスクの重要な構成要素である。マルチ層パーセプトロン(MLP)を用いて,低次元ながら高品質な記述子を抽出する。視覚的ローカライゼーション、パッチ検証、画像マッチング、検索など、さまざまなアプリケーションについて検討する。
論文参考訳（メタデータ） (2022-09-27T17:59:04Z)
EVC-Net: Multi-scale V-Net with Conditional Random Fields for Brain Extraction [3.4376560669160394]
EVC-Netは各エンコーダブロックに低スケール入力を追加する。条件付きランダムフィールドは、ネットワークの出力を洗練するための追加ステップとしてここで再導入される。その結果、限られたトレーニングリソースであっても、EVC-Netはより高いDice CoefficientとJaccard Indexを達成することがわかった。
論文参考訳（メタデータ） (2022-06-06T18:21:21Z)
Toward a Geometrical Understanding of Self-supervised Contrastive Learning [55.83778629498769]
自己教師付き学習(SSL)は、人間のアノテーションがなければ、伝達学習に有効なデータ表現を作成するための最重要技術の一つである。メインストリームSSL技術は、エンコーダとプロジェクタという2つのカスケードニューラルネットワークを備えた、特定のディープニューラルネットワークアーキテクチャに依存している。本稿では,データ拡張ポリシーの強みがデータ埋め込みに与える影響について検討する。
論文参考訳（メタデータ） (2022-05-13T23:24:48Z)
One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning [5.370848116287344]
後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
論文参考訳（メタデータ） (2022-03-17T15:26:00Z)
Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-09-18T00:21:17Z)
Atrous Residual Interconnected Encoder to Attention Decoder Framework for Vertebrae Segmentation via 3D Volumetric CT Images [1.8146155083014204]
本稿では,3次元容積CT画像を用いた新しい椎骨分割法を提案する。提案モデルは,ミニバッチトレーニング性能の最適化にレイヤ正規化を用いた,エンコーダからデコーダへの構造に基づく。実験の結果,本モデルは他の医学的意味セグメンテーション法と比較して競争力が得られた。
論文参考訳（メタデータ） (2021-04-08T12:09:16Z)
KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文参考訳（メタデータ） (2020-10-04T19:23:33Z)
DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
論文参考訳（メタデータ） (2020-03-15T08:13:16Z)

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。