論文の概要: Generative Adversarial Networks for Data Generation in Structural Health Monitoring

• arxiv url: http://arxiv.org/abs/2112.08196v1
• Date: Tue, 7 Dec 2021 03:39:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-19 13:00:17.197593
• Title: Generative Adversarial Networks for Data Generation in Structural Health Monitoring
• Title（参考訳）: 構造健康モニタリングにおけるデータ生成のためのジェネレータネットワーク
• Authors: Furkan Luleci, F. Necati Catbas, Onur Avci
• Abstract要約: 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。
• 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: Structural Health Monitoring (SHM) has been continuously benefiting from the advancements in the field of data science. Various types of Artificial Intelligence (AI) methods have been utilized for the assessment and evaluation of civil structures. In AI, Machine Learning (ML) and Deep Learning (DL) algorithms require plenty of datasets to train; particularly, the more data DL models are trained with, the better output it yields. Yet, in SHM applications, collecting data from civil structures through sensors is expensive and obtaining useful data (damage associated data) is challenging. In this paper, 1-D Wasserstein loss Deep Convolutional Generative Adversarial Networks using Gradient Penalty (1-D WDCGAN-GP) is utilized to generate damage associated vibration datasets that are similar to the input. For the purpose of vibration-based damage diagnostics, a 1-D Deep Convolutional Neural Network (1-D DCNN) is built, trained, and tested on both real and generated datasets. The classification results from the 1-D DCNN on both datasets resulted to be very similar to each other. The presented work in this paper shows that for the cases of insufficient data in DL or ML-based damage diagnostics, 1-D WDCGAN-GP can successfully generate data for the model to be trained on. Keywords: 1-D Generative Adversarial Networks (GAN), Deep Convolutional Generative Adversarial Networks (DCGAN), Wasserstein Generative Adversarial Networks with Gradient Penalty (WGAN-GP), 1-D Convolutional Neural Networks (CNN), Structural Health Monitoring (SHM), Structural Damage Diagnostics, Structural Damage Detection
• Abstract（参考訳）: 構造健康モニタリング(SHM)は、データサイエンスの分野での進歩から継続的に恩恵を受けている。 様々なタイプの人工知能(ai)手法が市民構造の評価と評価に利用されている。 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。 しかし、SHMアプリケーションでは、センサー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(関連するデータ)を得ることは困難である。 本稿では, グラディエントペナルティ(WDCGAN-GP)を用いた1次元Wasserstein損失深部畳み込み生成共振ネットワークを用いて, 入力に類似した損傷関連振動データセットを生成する。 振動に基づく損傷診断のために、1次元深層畳み込みニューラルネットワーク(1-d dcnn)を構築し、トレーニングし、実データと生成されたデータセットの両方でテストする。 両方のデータセットにおける1-D DCNNの分類結果は、互いに非常によく似ている。 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。 キーワード:1-D Generative Adversarial Networks (GAN), Deep Convolutional Generative Adversarial Networks (DCGAN), Wasserstein Generative Adversarial Networks with Gradient Penalty (WGAN-GP), 1-D Convolutional Neural Networks (CNN), Structure Health Monitoring (SHM), Structure damage Diagnostics, Structure damage Detections

関連論文リスト

• Improving Android Malware Detection Through Data Augmentation Using Wasserstein Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Networks)は、様々なアプリケーションにまたがる汎用性を実証している。 本研究は,GAN生成データを用いたAndroidマルウェア検出モデルのトレーニングの有効性について検討する。
  論文  参考訳（メタデータ） (2024-03-01T12:38:52Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• 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)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• 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 Labelled Vibration Data Generation [0.8250374560598496]
  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。
  論文  参考訳（メタデータ） (2021-12-07T03:37:48Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Categorical EHR Imputation with Generative Adversarial Nets [11.171712535005357]
  本稿では,データ計算のためのGANに関する従来の研究を基にした,シンプルで効果的な手法を提案する。 従来のデータ計算手法に比べて予測精度が大幅に向上していることを示す。
  論文  参考訳（メタデータ） (2021-08-03T18:50:26Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。