Fugu-MT 論文翻訳(概要): Generative Adversarial Networks for Labelled Vibration Data Generation

論文の概要: Generative Adversarial Networks for Labelled Vibration Data Generation

arxiv url: http://arxiv.org/abs/2112.08195v1
Date: Tue, 7 Dec 2021 03:37:48 GMT
ステータス: 処理完了
システム内更新日: 2021-12-19 13:01:09.839429
Title: Generative Adversarial Networks for Labelled Vibration Data Generation
Title（参考訳）: ラベリング振動データ生成のための生成逆ネットワーク
Authors: Furkan Luleci, F. Necati Catbas, Onur Avci
Abstract要約: 本稿では,Deep Conversaal Neural Network(DCNN)上に構築され,人工ラベル付きデータを生成するためにWasserstein Distanceを用いたGAN(Generative Adrial Networks)を提案する。開発した1次元W-DCGANは入力と非常によく似た振動データを生成する。
参考スコア（独自算出の注目度）: 0.8250374560598496
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: As Structural Health Monitoring (SHM) being implemented more over the years, the use of operational modal analysis of civil structures has become more significant for the assessment and evaluation of engineering structures. Machine Learning (ML) and Deep Learning (DL) algorithms have been in use for structural damage diagnostics of civil structures in the last couple of decades. While collecting vibration data from civil structures is a challenging and expensive task for both undamaged and damaged cases, in this paper, the authors are introducing Generative Adversarial Networks (GAN) that is built on the Deep Convolutional Neural Network (DCNN) and using Wasserstein Distance for generating artificial labelled data to be used for structural damage diagnostic purposes. The authors named the developed model 1D W-DCGAN and successfully generated vibration data which is very similar to the input. The methodology presented in this paper will pave the way for vibration data generation for numerous future applications in the SHM domain.
Abstract（参考訳）: 近年, 構造健康モニタリング (SHM) の実施が進み, 土木構造物の運用モーダル分析の利用が, 工学的構造物の評価・評価においてますます重要になっている。機械学習(ML)とディープラーニング(DL)アルゴリズムは、過去数十年間、土木構造物の構造的損傷診断に使われてきた。本論文では, 深部畳み込みニューラルネットワーク(DCNN)上に構築されたGAN(Generative Adversarial Networks)を導入し, 構造損傷診断に使用する人工ラベル付きデータを生成するためにWasserstein Distanceを用いた。著者らは、開発した1次元W-DCGANモデルと、入力と非常によく似た振動データを生成した。本稿では,SHM領域における振動データ生成手法について述べる。

関連論文リスト

Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文参考訳（メタデータ） (2023-07-14T14:36:58Z)
Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文参考訳（メタデータ） (2023-06-13T12:43:59Z)
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)
CycleGAN for Undamaged-to-Damaged Domain Translation for Structural Health Monitoring and Damage Detection [0.618778092044887]
現在使用されているAIベースの損傷診断と予後診断のためのデータ駆動手法は、その構造の歴史的データを中心にしている。本研究では,GAN(Generative Adversarial Networks, GAN, Cycle-Consistent Wasserstein Deep Convolutional GAN with Gradient Penalty (CycleWDCGAN-GP)モデルを用いた。本研究の結果から, 本モデルでは, 将来的な損傷条件に対する構造の将来的な応答を正確に生成できることが示唆された。
論文参考訳（メタデータ） (2022-02-16T02:31:38Z)
Generative Adversarial Networks for Labeled Data Creation for Structural Damage Detection [0.8250374560598496]
本稿では,1次元深部畳み込みニューラルネットワーク(1-D DCNN)を用いて,合成強化振動データセットの異なるレベルにおける構造的損傷検出を実現する。損傷検出の結果, 1次元WDCGAN-GPは, 土木構造物の振動による損傷診断において, データの不足に対処するために有効であることがわかった。
論文参考訳（メタデータ） (2021-12-07T03:55:03Z)
Generative Adversarial Networks for Data Generation in Structural Health Monitoring [0.8250374560598496]
AIでは、機械学習(ML)とディープラーニング(DL)アルゴリズムは、トレーニングに多くのデータセットを必要とする。 SHMアプリケーションでは、センサを介して土木構造物からデータを収集することは高価であり、有用なデータ(損傷関連データ)を得ることは困難である。本稿では, DLやMLに基づく損傷診断において不十分なデータに対して, 1次元WDCGAN-GPがトレーニング対象モデルのデータを生成可能であることを示す。
論文参考訳（メタデータ） (2021-12-07T03:39:31Z)
A Novel Approach for Deterioration and Damage Identification in Building Structures Based on Stockwell-Transform and Deep Convolutional Neural Network [11.596550916365574]
建物モデルに劣化損傷識別法(DIP)を適用した。 DIPは、低コストな環境振動を利用してストックウェル変換(ST)を用いて加速度応答を分析し、分光図を生成する。我々の知る限りでは、STとCNNの組み合わせによる建物モデルにおける損傷と劣化の両方を高精度に評価するのは今回が初めてである。
論文参考訳（メタデータ） (2021-11-11T11:31:37Z)
A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文参考訳（メタデータ） (2021-04-19T14:43:07Z)
Data Mining with Big Data in Intrusion Detection Systems: A Systematic Literature Review [68.15472610671748]
クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
論文参考訳（メタデータ） (2020-05-23T20:57:12Z)
RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文参考訳（メタデータ） (2020-04-15T19:52:09Z)
A Review of Vibration-Based Damage Detection in Civil Structures: From Traditional Methods to Machine Learning and Deep Learning Applications [20.47375627883094]
構造物の寿命維持と維持には, 構造物の損傷モニタリングが極めて重要である。機械学習(ML)や、特にディープラーニング(DL)アルゴリズムは、過去10年間のコンピューティングパワーとセンサー技術の発展に伴い、振動に基づく構造的損傷検出において、より実現可能で広範囲に使用されている。本稿では,従来の手法のハイライトと,振動による土木構造物の損傷検出に利用したMLおよびDLアルゴリズムの最近の応用を概観する。
論文参考訳（メタデータ） (2020-04-09T05:39:21Z)

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。