論文の概要: Application of machine learning methods to detect and classify Core
images using GAN and texture recognition
- arxiv url: http://arxiv.org/abs/2204.14224v1
- Date: Thu, 21 Apr 2022 16:00:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 02:19:39.252289
- Title: Application of machine learning methods to detect and classify Core
images using GAN and texture recognition
- Title(参考訳): ganとテクスチャ認識を用いたコア画像の検出と分類への機械学習の適用
- Authors: Daniyar Nurseitov, Kairat Bostanbekov, Galymzhan Abdimanap,
Abdelrahman Abdallah, Anel Alimova, Darkhan Kurmangaliyev
- Abstract要約: 石油会社は貴重な地質情報を提供するため、掘削コアのサンプルに大きく依存している。
伝統的なコアロギング技術は熱心で主観的です。
石油産業の新しい技術であるコアイメージングは、大量のドリルコアを迅速に特徴付けることで分析を補完するために使用される。
- 参考スコア(独自算出の注目度): 1.2233362977312945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: During exploration campaigns, oil companies rely heavily on drill core
samples as they provide valuable geological information that helps them find
important oil deposits. Traditional core logging techniques are laborious and
subjective. Core imaging, a new technique in the oil industry, is used to
supplement analysis by rapidly characterising large quantities of drill cores
in a nondestructive and noninvasive manner. In this paper, we will present the
problem of core detection and classification. The first problem is detecting
the cores and segmenting the holes in images by using Faster RCNN and Mask RCNN
models respectively. The second problem is filling the hole in the core image
by applying the Generative adversarial network(GAN) technique and using
Contextual Residual Aggregation(CRA) which creates high frequency residual for
missing contents in images. And finally applying Texture recognition models for
the classification of core images.
- Abstract(参考訳): 探査活動中、石油会社は重要な石油鉱床を見つけるのに役立つ貴重な地質情報を提供するため、掘削コアのサンプルに大きく依存している。
伝統的なコアロギング技術は熱心で主観的です。
石油産業における新しい技術であるコアイメージングは、非破壊的かつ非侵襲的な方法で大量のドリルコアを迅速に特徴付けることで分析を補うために用いられる。
本稿では,コア検出と分類の問題について述べる。
最初の問題は、Faster RCNNとMask RCNNモデルを用いて、画像中のコアを検出し、ホールを分割することである。
第2の問題は、gan(generative adversarial network)技術を適用してコアイメージの穴を埋めることと、画像に欠落しているコンテンツに対して高周波残差を生成するcra(contextual residual aggregate)を使用することである。
そして最後に、コアイメージの分類にテクスチャ認識モデルを適用する。
関連論文リスト
- Rethinking the Up-Sampling Operations in CNN-based Generative Network
for Generalizable Deepfake Detection [86.97062579515833]
我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。
tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。
この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
論文 参考訳(メタデータ) (2023-12-16T14:27:06Z) - Analysis and Applications of Deep Learning with Finite Samples in Full
Life-Cycle Intelligence of Nuclear Power Generation [21.938498455998303]
産業4.0の出現は、産業の文脈において人工知能(AI)の手法が取り入れられた。
しかし、複雑な工業用ミレウス、特にエネルギー探査と生産に関連するものは、長い尾のクラス分布、サンプルの不均衡、ドメインシフトを特徴とするデータを含むことが多い。
本研究は, 深層学習(DL)技術の適用を慎重に検討する, 原子力発電(NPG)の複雑で独特な産業シナリオに焦点を当てる。
論文 参考訳(メタデータ) (2023-11-07T06:17:57Z) - A Comprehensive Survey on Deep Neural Image Deblurring [0.76146285961466]
画像の劣化は、ぼやけを引き起こす画像の劣化要素を排除し、画像の品質を改善して、テクスチャとオブジェクトの可視化を改善する。
伝統的に、画像の劣化で優先される事前ベース最適化アプローチは、ディープニューラルネットワークが最近この分野で大きなブレークスルーをもたらした。
私たちは、デブロアリングアプリケーションで使用される最も一般的なディープニューラルネットワーク構造を概説し、その強みと斬新さを説明し、パフォーマンスメトリクスを要約し、広く使われているデータセットを紹介します。
論文 参考訳(メタデータ) (2023-10-07T07:29:42Z) - A Brief Yet In-Depth Survey of Deep Learning-Based Image Watermarking [1.249418440326334]
本稿では,ディープラーニングに基づく画像透かしに関する総合的な調査を行う。
カバーイメージ内の透かしの埋め込みと抽出に重点を置いており、堅牢性と適応性のシームレスなブレンドを提供することを目的としている。
本稿では,フィールドを埋め込み抽出器,特徴変換としてのディープネットワーク,ハイブリッドメソッドに分割する,洗練された分類手法を提案する。
論文 参考訳(メタデータ) (2023-08-08T22:06:14Z) - Segmentation of Industrial Burner Flames: A Comparative Study from
Traditional Image Processing to Machine and Deep Learning [10.34616284867947]
発電、化学製造、廃棄物管理といった多くの産業プロセスにおいて、安全かつ効率的な運転には工業用バーナー火炎特性を正確にモニタリングすることが不可欠である。
重要なステップは、背景からバイナリセグメンテーションを通して火炎を分離することである。
本稿では,グローバルスレッショルド,リージョングローディング,サポートベクトルマシン,ランダムフォレスト,マルチレイヤパーセプトロン,U-Net,DeepLabV3+など,複数のセグメンテーション手法の比較研究を行う。
高い精度では、ディープラーニングが主要なアプローチであるが、高速でシンプルなソリューションでは、従来の画像処理技術が引き続き有効な選択肢である。
論文 参考訳(メタデータ) (2023-06-26T15:46:49Z) - DeepfakeArt Challenge: A Benchmark Dataset for Generative AI Art Forgery
and Data Poisoning Detection [79.06544706290568]
悪意ある目的のために生成的AIを使用することについて懸念が高まっている。
DeepfakeArt Challengeは、生成AIアート偽造とデータ中毒検出のための機械学習アルゴリズムの構築を支援するために設計されたベンチマークデータセットである。
論文 参考訳(メタデータ) (2023-06-02T05:11:27Z) - Beyond the Prior Forgery Knowledge: Mining Critical Clues for General
Face Forgery Detection [61.74632676703288]
本稿では,様々なバックボーンを柔軟に組立てて一般化と性能を向上させる,新しいクリティカルフォージェリーマイニングフレームワークを提案する。
具体的には,まず,従来の知識に依存しないデータ拡張を通じて,細粒度三重項を構築し,特定の偽の痕跡を抑える。
そこで我々は,例えば,局所的類似性を意識した損失を通じて,偽造の重要情報をマイニングする,きめ細かな関係学習プロトタイプを提案する。
論文 参考訳(メタデータ) (2023-04-24T23:02:27Z) - Deep Industrial Image Anomaly Detection: A Survey [85.44223757234671]
近年の深層学習の急速な発展は,産業用画像異常検出(IAD)のマイルストーンとなった
本稿では,ディープラーニングによる画像異常検出手法の総合的なレビューを行う。
画像異常検出のオープニング課題をいくつか取り上げる。
論文 参考訳(メタデータ) (2023-01-27T03:18:09Z) - Deep Image Deblurring: A Survey [165.32391279761006]
低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。
近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
論文 参考訳(メタデータ) (2022-01-26T01:31:30Z) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳(メタデータ) (2021-11-11T09:43:56Z)
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。