論文の概要: Addressing materials' microstructure diversity using transfer learning
- arxiv url: http://arxiv.org/abs/2107.13841v1
- Date: Thu, 29 Jul 2021 09:13:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-30 18:45:51.286058
- Title: Addressing materials' microstructure diversity using transfer learning
- Title（参考訳）: 転写学習による材料の微細構造多様性
- Authors: Aur\`ele Goetz, Ali Riza Durmaz, Martin M\"uller, Akhil Thomas,
Dominik Britz, Pierre Kerfriden and Chris Eberl
- Abstract要約: 本研究では, 複合相鋼板の溶湯状ベイナイトセグメンテーションタスクについて検討した。
我々は、最先端のUDAアプローチが、ターゲットドメイン上のソースドメイン訓練モデルのナイーブな適用を超越していることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Materials' microstructures are signatures of their alloying composition and
processing history. Therefore, microstructures exist in a wide variety. As
materials become increasingly complex to comply with engineering demands,
advanced computer vision (CV) approaches such as deep learning (DL) inevitably
gain relevance for quantifying microstrucutures' constituents from micrographs.
While DL can outperform classical CV techniques for many tasks, shortcomings
are poor data efficiency and generalizability across datasets. This is
inherently in conflict with the expense associated with annotating materials
data through experts and extensive materials diversity. To tackle poor domain
generalizability and the lack of labeled data simultaneously, we propose to
apply a sub-class of transfer learning methods called unsupervised domain
adaptation (UDA). These algorithms address the task of finding domain-invariant
features when supplied with annotated source data and unannotated target data,
such that performance on the latter distribution is optimized despite the
absence of annotations. Exemplarily, this study is conducted on a lath-shaped
bainite segmentation task in complex phase steel micrographs. Here, the domains
to bridge are selected to be different metallographic specimen preparations
(surface etchings) and distinct imaging modalities. We show that a
state-of-the-art UDA approach surpasses the na\"ive application of source
domain trained models on the target domain (generalization baseline) to a large
extent. This holds true independent of the domain shift, despite using little
data, and even when the baseline models were pre-trained or employed data
augmentation. Through UDA, mIoU was improved over generalization baselines from
82.2%, 61.0%, 49.7% to 84.7%, 67.3%, 73.3% on three target datasets,
respectively. This underlines this techniques' potential to cope with materials
variance.
- Abstract（参考訳）: 材料の微細構造は合金組成と加工の歴史の象徴である。
そのため、微細構造は多種多様である。
工学的要求を満たすために材料が複雑化するにつれて、深層学習(DL)のような高度なコンピュータビジョン(CV)アプローチは、マイクログラフからマイクロストラクチャの構成成分を定量化するために必然的に関連性を得る。
DLは多くのタスクで従来のCV技術より優れているが、欠点はデータセット間のデータ効率と一般化性である。
これは本来、専門家による注釈データや幅広い資料の多様性に関連する費用と矛盾している。
ドメインの一般化性の低下とラベル付きデータの欠如に対処するため,教師なしドメイン適応(UDA)と呼ばれるサブクラス転送学習手法を提案する。
これらのアルゴリズムは、アノテーションがないにもかかわらず、後者のディストリビューションのパフォーマンスが最適化されるように、アノテーション付きソースデータと注釈なしターゲットデータで供給されたドメイン不変の特徴を見つけるタスクに対処する。
本研究は, 複合相鋼板の溶湯状ベイナイトセグメンテーションタスクについて実例で検討した。
ここで、ブリッジへのドメインは、異なる金属試料調製物(表面エッチング)と異なる撮像モードに選択される。
我々は、最先端のUDAアプローチが、ターゲットドメイン(一般化ベースライン)上のソースドメイン訓練モデルの na\" 適用をはるかに上回っていることを示す。
これは、ほとんどデータを使用しておらず、ベースラインモデルが事前トレーニングされたり、データ拡張が行われたりしても、ドメインシフトとは独立している。
UDAを通じて、mIoUは一般化ベースラインを82.2%、61.0%、49.7%から84.7%、67.3%、73.3%に改善した。
これは、この手法が材料のばらつきに対処する可能性を示す。
関連論文リスト
- CMDA: Cross-Modal and Domain Adversarial Adaptation for LiDAR-Based 3D
Object Detection [14.063365469339812]
LiDARベースの3Dオブジェクト検出法は、ソース(またはトレーニング)データ配布の外部のターゲットドメインにうまく一般化しないことが多い。
画像のモダリティから視覚的セマンティックキューを活用する,CMDA (unsupervised domain adaptation) と呼ばれる新しい手法を提案する。
また、自己学習に基づく学習戦略を導入し、モデルが逆向きに訓練され、ドメイン不変の機能を生成する。
論文 参考訳（メタデータ） (2024-03-06T14:12:38Z) - Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。
本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。
複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
論文 参考訳（メタデータ） (2023-12-09T18:40:37Z) - DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure
reconstruction from extremely small data sets [110.60233593474796]
DA-VEGANは2つの中心的なイノベーションを持つモデルである。
$beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。
このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
論文 参考訳（メタデータ） (2023-02-17T08:49:09Z) - Heterogeneous Domain Adaptation and Equipment Matching: DANN-based
Alignment with Cyclic Supervision (DBACS) [3.4519649635864584]
この研究は、サイクリック・スーパービジョン(DBACS)アプローチによるドメイン適応ニューラルネットワークを導入している。
DBACSはドメイン適応によるモデル一般化の問題、特に異種データに対処する。
この作業には、サブスペースアライメントや、異種表現を扱う多視点学習も含まれる。
論文 参考訳（メタデータ） (2023-01-03T10:56:25Z) - Synthetic-to-Real Domain Generalized Semantic Segmentation for 3D Indoor
Point Clouds [69.64240235315864]
本稿では,本課題に対して,合成-実領域一般化設定を提案する。
合成と実世界のポイントクラウドデータのドメインギャップは、主に異なるレイアウトとポイントパターンにあります。
CINMixとMulti-prototypeの両方が分配ギャップを狭めることを示した。
論文 参考訳（メタデータ） (2022-12-09T05:07:43Z) - Deep Unsupervised Domain Adaptation: A Review of Recent Advances and
Perspectives [16.68091981866261]
対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。
UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
論文 参考訳（メタデータ） (2022-08-15T20:05:07Z) - Learning Feature Decomposition for Domain Adaptive Monocular Depth
Estimation [51.15061013818216]
改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。
教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。
本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
論文 参考訳（メタデータ） (2022-07-30T08:05:35Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-05-30T13:34:46Z) - Deep Transfer Learning for Multi-source Entity Linkage via Domain
Adaptation [63.24594955429465]
マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。
AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。
本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
論文 参考訳（メタデータ） (2021-10-27T15:20:41Z) - Embracing the Disharmony in Heterogeneous Medical Data [12.739380441313022]
医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。
本論文は異種性を受け入れ,マルチタスク学習問題として扱う。
提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
論文 参考訳（メタデータ） (2021-03-23T21:36:39Z)
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。