論文の概要: "Prompt-Gamma Neutron Activation Analysis (PGNAA)" Metal Spectral
Classification using Deep Learning Method
- arxiv url: http://arxiv.org/abs/2208.13909v1
- Date: Mon, 29 Aug 2022 22:02:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 13:12:57.361501
- Title: "Prompt-Gamma Neutron Activation Analysis (PGNAA)" Metal Spectral
Classification using Deep Learning Method
- Title(参考訳): 深層学習法による"prompt-gamma neutron activation analysis (pgnaa)"金属スペクトル分類
- Authors: Ka Yung Cheng, Helmand Shayan, Kai Krycki, Markus Lange-Hegermann
- Abstract要約: 本稿では, PGNAA マシンのテスト時間を削減するため, ディープラーニング分類の新展開を紹介する。
我々はランダムサンプリング手法とクラス活性化マップ(CAM)の両方を提案し、"小さくなった"サンプルを生成し、CNNモデルを継続的に訓練する。
PGNAAの総計測時間を2.5秒に短縮し、12種類の物質を用いてデータセットの精度を96.88 %程度に抑える。
- 参考スコア(独自算出の注目度): 3.674863913115431
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is a pressing market demand to minimize the test time of Prompt Gamma
Neutron Activation Analysis (PGNAA) spectra measurement machine, so that it
could function as an instant material analyzer, e.g. to classify waste samples
instantaneously and determine the best recycling method based on the detected
compositions of the testing sample.
This article introduces a new development of the deep learning classification
and contrive to reduce the test time for PGNAA machine. We propose both Random
Sampling Methods and Class Activation Map (CAM) to generate "downsized" samples
and train the CNN model continuously. Random Sampling Methods (RSM) aims to
reduce the measuring time within a sample, and Class Activation Map (CAM) is
for filtering out the less important energy range of the downsized samples.
We shorten the overall PGNAA measuring time down to 2.5 seconds while
ensuring the accuracy is around 96.88 % for our dataset with 12 different
species of substances. Compared with classifying different species of
materials, it requires more test time (sample count rate) for substances having
the same elements to archive good accuracy. For example, the classification of
copper alloys requires nearly 24 seconds test time to reach 98 % accuracy.
- Abstract(参考訳): Prompt Gamma Neutron Activation Analysis (PGNAA) スペクトル測定装置の試験時間を最小限に抑え、即ち廃棄物サンプルを即時分類し、検出された試料組成に基づいて最適なリサイクル方法を決定できる即時材料分析装置として機能するように、市場需要が高まっている。
本稿では,pgnaaマシンのテスト時間を短縮する深層学習分類とcontriveの新たな開発について紹介する。
ランダムサンプリング法とクラスアクティベーションマップ(cam)の両方を提案し,"ダウンサイズ"なサンプルを生成し,cnnモデルを継続的にトレーニングする。
ランダムサンプリング法 (RSM) はサンプル内の測定時間を短縮することを目的としており、クラス活性化マップ (CAM) はダウンサイズサンプルの少ないエネルギー範囲をフィルタリングするためのものである。
PGNAAの総計測時間を2.5秒に短縮し、12種類の物質を用いてデータセットの精度を96.88 %程度に抑える。
異なる種類の材料を分類するよりも、同じ元素を持つ物質が正確性を保つのにより多くの試験時間(サンプル数率)が必要となる。
例えば、銅合金の分類には、98 %の精度に達するまで24秒近い試験時間が必要となる。
関連論文リスト
- Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization [0.0]
反射型高エネルギー電子回折データの特徴抽出と機械学習による一般化を行う。
専門家ラベル付きデータの小さなセット(10)で定量的に予測関係を確立し、その後に成長したサンプルでかなりの時間を節約した。
これらの予測は、未解決の試行を回避し、後続のキャラクタリゼーションを減らし、材料合成の制御分解能を改善するためのガイダンスを提供する。
論文 参考訳(メタデータ) (2024-09-12T14:03:55Z) - PGNAA Spectral Classification of Aluminium and Copper Alloys with Machine Learning [2.5639479043232107]
この研究では、臭化セリウム(CeBr$_3$)と高純度ゲルマニウムHPGeの2つの検出器のデータを比較した。
また、CeBr$_3$は短い測定時間で優れ、HPGeは長い測定時間で優れた性能を発揮した。
論文 参考訳(メタデータ) (2024-04-22T11:52:23Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2~5倍の速さでトレーニングを行う。
論文 参考訳(メタデータ) (2024-02-09T01:11:23Z) - PPG-based Heart Rate Estimation with Efficient Sensor Sampling and
Learning Models [6.157700936357335]
ウェアラブルデバイスに埋め込まれた光胸部センサーは、心拍数(HR)を高精度に推定することができる。
しかしながら, PPGセンサを用いたHR推定を組込みデバイスに適用することは, エネルギー集中型高周波PSGサンプリングによる課題に直面している。
本研究では,低消費電力・資源制約の組込みデバイスに適したHR推定手法を提案する。
論文 参考訳(メタデータ) (2023-03-23T19:47:36Z) - PGNAA Spectral Classification of Metal with Density Estimations [3.425341633647624]
異種物質の非破壊的オンライン分析方法はない。
純アルミニウム合金の測定では、0.25秒以下のアルミニウム合金のほぼ完全な分類が達成される。
論文 参考訳(メタデータ) (2022-08-29T18:58:59Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳(メタデータ) (2022-08-22T06:40:13Z) - Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。
粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文 参考訳(メタデータ) (2021-10-06T16:58:34Z) - Instance Segmentation of Microscopic Foraminifera [0.0629976670819788]
本稿では, 深層学習に基づくインスタンス分割モデルを用いて, 微視的フォアミニフェラの分類, 検出, セグメンテーションを行う。
本モデルは,COCO検出データセットから得られたモデル重みパラメータを用いて,Mask R-CNNアーキテクチャに基づく。
論文 参考訳(メタデータ) (2021-05-15T10:46:22Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-21T13:27:09Z) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳(メタデータ) (2020-07-18T09:48:29Z)
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。