論文の概要: A Framework for Generalizing Critical Heat Flux Detection Models Using
Unsupervised Image-to-Image Translation
- arxiv url: http://arxiv.org/abs/2212.09107v3
- Date: Sat, 18 Mar 2023 02:46:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 01:00:31.299467
- Title: A Framework for Generalizing Critical Heat Flux Detection Models Using
Unsupervised Image-to-Image Translation
- Title（参考訳）: 教師なし画像-画像変換を用いた臨界熱フラックス検出モデルの一般化フレームワーク
- Authors: Firas Al-Hindawi, Tejaswi Soori, Han Hu, Md Mahfuzur Rahman Siddiquee,
Hyunsoo Yoon, Teresa Wu, Ying Sun
- Abstract要約: 臨界熱流束(CHF)は、熱沸騰に失敗すると、装置の故障につながる急激な温度上昇を引き起こす可能性があるため、熱沸騰に不可欠である。
多くの機械学習モデルはCHFを検出するために存在するが、異なるドメインのデータでテストした場合、その性能は大幅に低下する。
教師なしの方法で訓練されたCHF検出モデルの一般化性と適応性をサポートする新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 18.79859970436631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of critical heat flux (CHF) is crucial in heat boiling
applications as failure to do so can cause rapid temperature ramp leading to
device failures. Many machine learning models exist to detect CHF, but their
performance reduces significantly when tested on data from different domains.
To deal with datasets from new domains a model needs to be trained from
scratch. Moreover, the dataset needs to be annotated by a domain expert. To
address this issue, we propose a new framework to support the generalizability
and adaptability of trained CHF detection models in an unsupervised manner.
This approach uses an unsupervised Image-to-Image (UI2I) translation model to
transform images in the target dataset to look like they were obtained from the
same domain the model previously trained on. Unlike other frameworks dealing
with domain shift, our framework does not require retraining or fine-tuning of
the trained classification model nor does it require synthesized datasets in
the training process of either the classification model or the UI2I model. The
framework was tested on three boiling datasets from different domains, and we
show that the CHF detection model trained on one dataset was able to generalize
to the other two previously unseen datasets with high accuracy. Overall, the
framework enables CHF detection models to adapt to data generated from
different domains without requiring additional annotation effort or retraining
of the model.
- Abstract（参考訳）: 臨界熱流束(chf)の検出は、装置の故障につながる急速な温度上昇を引き起こす可能性があるため、熱沸騰アプリケーションにおいて不可欠である。
多くの機械学習モデルはCHFを検出するために存在するが、異なるドメインのデータでテストした場合、その性能は大幅に低下する。
新しいドメインからのデータセットを扱うには、モデルをゼロからトレーニングする必要がある。
さらに、データセットにはドメインの専門家が注釈を付ける必要がある。
この問題に対処するために,訓練されたcff検出モデルの一般化性と適応性をサポートする新しい枠組みを提案する。
このアプローチでは、教師なしイメージ・トゥ・イメージ(UI2I)変換モデルを使用して、ターゲットデータセット内のイメージを、以前トレーニングされたモデルと同じドメインから取得したように変換する。
ドメインシフトを扱う他のフレームワークとは異なり、我々のフレームワークはトレーニングされた分類モデルのトレーニングや微調整を必要とせず、分類モデルまたはUI2Iモデルのトレーニングプロセスで合成データセットも必要としない。
このフレームワークは異なるドメインの沸騰する3つのデータセット上でテストされ、あるデータセットでトレーニングされたchf検出モデルは、他の2つの未認識データセットを高い精度で一般化することができた。
全体として、CHF検出モデルは、追加のアノテーションやモデルの再トレーニングを必要とせずに、異なるドメインから生成されたデータに適応することができる。
関連論文リスト
- Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。
フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。
設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文 参考訳（メタデータ） (2024-08-23T01:53:36Z) - GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。
本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
論文 参考訳（メタデータ） (2024-06-28T17:42:08Z) - Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。
逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。
我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文 参考訳（メタデータ） (2024-06-19T08:07:14Z) - Regularized Training with Generated Datasets for Name-Only Transfer of Vision-Language Models [36.59260354292177]
近年のテキスト・画像生成の進歩により、研究者は生成モデルを用いて知覚モデルに適したデータセットを生成するようになった。
我々は、実際の画像にアクセスせずに、視覚言語モデルを特定の分類モデルに微調整することを目指している。
生成した画像の忠実度が高いにもかかわらず、生成したデータセットを用いてモデルを微調整すると、顕著な性能劣化が観測された。
論文 参考訳（メタデータ） (2024-06-08T10:43:49Z) - Comparison of self-supervised in-domain and supervised out-domain transfer learning for bird species recognition [0.19183348587701113]
別のタスクを支援するために事前訓練されたモデルの重みを移すことは、現代のディープラーニングの重要な部分となっている。
本実験は,鳥種認識のためのドメイン内モデルとデータセットの有用性を実証するものである。
論文 参考訳（メタデータ） (2024-04-26T08:47:28Z) - Importance of Disjoint Sampling in Conventional and Transformer Models for Hyperspectral Image Classification [2.1223532600703385]
本稿では、ハイパースペクトル画像分類(HSIC)タスク上でSOTAモデルをトレーニングするための革新的な不整合サンプリング手法を提案する。
重なりのないトレーニング,検証,テストデータを分離することにより,提案手法は,トレーニングや検証中に露出していないピクセルをどの程度正確に分類できるかを,より公平に評価することができる。
この厳密な手法は、SOTAモデルの発展と、ハイパースペクトルセンサーを用いた大規模陸地マッピングへの実際の応用に欠かせない。
論文 参考訳（メタデータ） (2024-04-23T11:40:52Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - High-resolution semantically-consistent image-to-image translation [0.0]
本稿では,スタイル変換フェーズにおける画像のセマンティック一貫性と画素単位の品質を保った教師なし領域適応モデルを提案する。
提案モデルでは,SemI2Iモデルと比較してかなりの性能向上を示し,最先端のCyCADAモデルと同様の結果を得た。
論文 参考訳（メタデータ） (2022-09-13T19:08:30Z) - On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。
本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。
テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
論文 参考訳（メタデータ） (2022-03-10T18:51:29Z) - Towards Trustworthy Deception Detection: Benchmarking Model Robustness
across Domains, Modalities, and Languages [10.131671217810581]
我々は、ドメイン外データ、モダリティ特化特徴、および英語以外の言語に対するモデルロバスト性を評価する。
我々は、追加の画像コンテンツを入力として、ELMo埋め込みはBERTまたはGLoVeと比較して大幅に少ないエラーをもたらすことを発見しました。
論文 参考訳（メタデータ） (2021-04-23T18:05:52Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z)
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。