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

• Bottleneck-based Encoder-decoder ARchitecture (BEAR) for Learning Unbiased Consumer-to-Consumer Image Representations [0.6990493129893112]
  本稿では,残差接続と連携して自動エンコーダ構成の知覚画像情報を符号化する,異なる画像特徴抽出機構を提案する。 予備的な結果は、提案アーキテクチャが、識別される重要な課題を解決するために、我々のデータや他の画像データセットを用いてリッチな空間を学習できることを示唆している。
  論文  参考訳（メタデータ） (2024-09-10T03:31:18Z)
• SaccadeDet: A Novel Dual-Stage Architecture for Rapid and Accurate Detection in Gigapixel Images [50.742420049839474]
  SaccadeDetは、人間の目の動きにインスパイアされた、ギガピクセルレベルの物体検出のための革新的なアーキテクチャである。 PANDAデータセットを用いて評価した本手法は,最先端手法の8倍の高速化を実現する。 また、全スライドイメージングへの応用を通じて、ギガピクセルレベルの病理解析に有意な可能性を示す。
  論文  参考訳（メタデータ） (2024-07-25T11:22:54Z)
• Certifiably Robust Image Watermark [57.546016845801134]
  ジェネレーティブAIは、偽情報やプロパガンダキャンペーンの促進など、多くの社会的懸念を提起する。 ウォーターマークAI生成コンテンツは、これらの懸念に対処するための重要な技術である。 本報告では, 除去・偽造攻撃に対するロバスト性保証を保証した最初の画像透かしを提案する。
  論文  参考訳（メタデータ） (2024-07-04T17:56:04Z)
• End-to-End Mineral Exploration with Artificial Intelligence and Ambient Noise Tomography [0.0]
  我々は, 再生可能エネルギーソリューションにおいて, かなりの量の銅を必須元素として重視する。 速度,スケーラビリティ,深度浸透,分解能,環境影響の低さを特徴とするANTの利用のメリットを示す。 我々は、AIが地球物理データ解釈をどのように拡張し、鉱物探査の新しいアプローチを提供するかを示す。
  論文  参考訳（メタデータ） (2024-03-22T10:23:48Z)
• Neural Network-Based Processing and Reconstruction of Compromised Biophotonic Image Data [0.12427543342032196]
  深層学習技術とバイオフォトニクス装置の統合により、バイオイメージングの新しい地平が開かれた。 本稿は、バイオフォトニクス装置において、研究者が故意に障害を負う様々な測定の側面について、詳細なレビューを提供する。 我々はこの戦略アプローチをうまく活用した様々なバイオフォトニクス手法について論じる。
  論文  参考訳（メタデータ） (2024-03-21T11:44:25Z)
• DeepfakeArt Challenge: A Benchmark Dataset for Generative AI Art Forgery and Data Poisoning Detection [57.51313366337142]
  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。 生成AIを用いた視覚コンテンツ合成の領域では、画像偽造とデータ中毒が重要な関心事となっている。 DeepfakeArt Challenge(ディープフェイクアートチャレンジ)は、AIアートのジェネレーション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、大規模なチャレンジ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)
• 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。