論文の概要: Deep DIC: Deep Learning-Based Digital Image Correlation for End-to-End
Displacement and Strain Measurement
- arxiv url: http://arxiv.org/abs/2110.13720v1
- Date: Tue, 26 Oct 2021 14:13:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 16:07:57.582396
- Title: Deep DIC: Deep Learning-Based Digital Image Correlation for End-to-End
Displacement and Strain Measurement
- Title（参考訳）: deep dic: エンドツーエンド変位とひずみ測定のためのディープラーニングベースのデジタル画像相関
- Authors: Ru Yang, Yang Li, Danielle Zeng, Ping Guo
- Abstract要約: デジタル画像相関 (DIC) は, 正確な変位とひずみ測定を行うための業界標準となっている。
2つの畳み込みニューラルネットワークであるDisplacementNetとStrainNetは、変位とひずみのエンドツーエンド予測のために協調して動作するように設計されている。
ディープDICは、商用DICソフトウェアから得られたものと非常に一貫性があり、同等の変位とひずみの予測を与える。
- 参考スコア（独自算出の注目度）: 4.999506391054041
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Digital image correlation (DIC) has become an industry standard to retrieve
accurate displacement and strain measurement in tensile testing and other
material characterization. Though traditional DIC offers a high precision
estimation of deformation for general tensile testing cases, the prediction
becomes unstable at large deformation or when the speckle patterns start to
tear. In addition, traditional DIC requires a long computation time and often
produces a low spatial resolution output affected by filtering and speckle
pattern quality. To address these challenges, we propose a new deep
learning-based DIC approach -- Deep DIC, in which two convolutional neural
networks, DisplacementNet and StrainNet, are designed to work together for
end-to-end prediction of displacements and strains. DisplacementNet predicts
the displacement field and adaptively tracks the change of a region of
interest. StrainNet predicts the strain field directly from the image input
without relying on the displacement prediction, which significantly improves
the strain prediction accuracy. A new dataset generation method is proposed to
synthesize a realistic and comprehensive dataset including artificial speckle
patterns, randomly generated displacement and strain fields, and deformed
images based on the given deformation. Proposed Deep DIC is trained purely on a
synthetic dataset, but designed to perform both on simulated and experimental
data. Its performance is systematically evaluated and compared with commercial
DIC software. Deep DIC gives highly consistent and comparable predictions of
displacement and strain with those obtained from commercial DIC software, while
it outperforms commercial software with very robust strain prediction even with
large and localized deformation and varied pattern qualities.
- Abstract（参考訳）: デジタル画像相関(DIC)は, 引張試験などの材料特性評価において, 正確な変位・ひずみ測定を行うための業界標準となっている。
従来のDICは、一般的な引張試験ケースの変形を高精度に推定するが、大きな変形やスペックルパターンが破れ始めると予測が不安定になる。
加えて、従来の dic は長い計算時間を必要とし、フィルタリングやスペックルパターンの品質に影響された低い空間分解能の出力をしばしば発生する。
そこで本研究では,2つの畳み込みニューラルネットワークであるdislocationnet と strainnet を併用して,変位・ひずみのエンドツーエンド予測を行うdeep dic 手法を提案する。
DisplacementNetは、変位場を予測し、関心領域の変化を適応的に追跡する。
strainnetは、変位予測に頼ることなく、画像入力から直接ひずみ場を予測し、ひずみ予測精度を大幅に向上させる。
人工スペックルパターン,ランダムに生成された変位・ひずみ場,与えられた変形に基づく変形画像を含む,現実的で包括的なデータセットを合成する新しいデータセット生成法を提案する。
提案されたDeep DICは、純粋に合成データセットに基づいて訓練されるが、シミュレーションデータと実験データの両方で実行されるように設計されている。
その性能は体系的に評価され、商用のdicソフトウェアと比較される。
ディープDICは、商業用DICソフトウェアから得られたものとの変位とひずみの高度に一貫した予測を提供する一方で、大規模かつ局所的な変形やパターン特性の異なる場合でも、非常に堅牢なひずみ予測で商業用ソフトウェアより優れている。
関連論文リスト
- An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Physics-Informed Neural Network Based Digital Image Correlation Method [0.0]
ディジタル画像相関 (DIC) は, フルフィールド変形測定のための実験力学において重要な技術である。
最近のディープラーニングベースのDICアプローチでは、教師付きと教師なしの両方が、ニューラルネットワークを使用してスペックル画像を変形場にマッピングしている。
本稿では,物理インフォームドニューラルネットワーク(PINN)に基づく新しいDIC手法であるPINN-DICを紹介する。
論文 参考訳（メタデータ） (2024-09-02T05:53:00Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Anomalous Change Point Detection Using Probabilistic Predictive Coding [13.719066883151623]
確率予測符号化 (Probabilistic Predictive Coding, PPC) と呼ばれる深層学習に基づく CPD/AD 手法を提案する。
PPCは、連続したデータを低次元の潜在空間表現にエンコードし、その後のデータ表現とそれに対応する予測不確かさを予測することを共同で学習する。
本研究では, 合成時系列実験, 画像データ, 実世界の磁気共鳴分光画像データにまたがって提案手法の有効性と適応性を示す。
論文 参考訳（メタデータ） (2024-05-24T17:17:34Z) - GIT: Detecting Uncertainty, Out-Of-Distribution and Adversarial Samples
using Gradients and Invariance Transformations [77.34726150561087]
本稿では,ディープニューラルネットワークにおける一般化誤差検出のための総合的アプローチを提案する。
GITは勾配情報と不変変換の利用を組み合わせる。
本実験は,各種ネットワークアーキテクチャの最先端技術と比較して,GITの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-07-05T22:04:38Z) - Generating artificial digital image correlation data using
physics-guided adversarial networks [2.07180164747172]
デジタル画像相関 (DIC) は, き裂標本の機械的実験を監視し評価するための貴重なツールとなっている。
実補間DIC変位に類似したクラック試験片の大量の人工変位データを直接生成する手法を提案する。
論文 参考訳（メタデータ） (2023-03-28T12:52:40Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Uncertain-DeepSSM: From Images to Probabilistic Shape Models [0.0]
DeepSSMは、非セグメント画像から直接統計的形状表現を抽出するエンドツーエンドのディープラーニングアプローチである。
DeepSSMは、視覚的に正確には仮定できないような、不確実な形状の推定を生成する。
本研究では,ネットワークを適応させて固有入力分散を予測することにより,データ依存型アレータティック不確実性の両方を定量化する統一モデルとして,Uncertain-DeepSSMを提案する。
論文 参考訳（メタデータ） (2020-07-13T17:18:21Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。