論文の概要: Comparing PSDNet, pretrained networks, and traditional feature extraction for predicting the particle size distribution of granular materials from photographs

• arxiv url: http://arxiv.org/abs/2303.04265v1
• Date: Tue, 7 Mar 2023 22:29:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 15:47:15.500272
• Title: Comparing PSDNet, pretrained networks, and traditional feature extraction for predicting the particle size distribution of granular materials from photographs
• Title（参考訳）: 写真からの粒状物質の粒度分布予測のためのPSDNet, 事前学習ネットワーク, 従来の特徴抽出の比較
• Authors: Javad Manashti, Fran\c{c}ois Duhaime, Matthew F. Toews, Pouyan Pirnia, Jn Kinsonn Telcy
• Abstract要約: 画像サイズと色帯域の影響を,32から160ピクセルの6つの画像サイズと,PSDNet入力としてグレースケールとカラーイメージを用いて検証した。 その結果、すべてのPSDNet色とグレースケールの特徴の組み合わせは、ランダムなテストデータセットで1.8%、物質除去法で9.1%を超える割合で、ルート平均2乗誤差(RMSE)につながることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study aims to evaluate PSDNet, a series of convolutional neural networks (ConvNets) trained with photographs to predict the particle size distribution of granular materials. Nine traditional feature extraction methods and 15 pretrained ConvNets were also evaluated and compared. A dataset including 9600 photographs of 15 different granular materials was used. The influence of image size and color band was verified by using six image sizes between 32 and 160 pixels, and both grayscale and color images as PSDNet inputs. In addition to random training, validation, and testing datasets, a material removal method was also used to evaluate the performances of each image analysis method. With this method, each material was successively removed from the training and validation datasets and used as the testing dataset. Results show that a combination of all PSDNet color and grayscale features can lead to a root mean square error (RMSE) on the percentages passing as low as 1.8 % with a random testing dataset and 9.1% with the material removal method. For the random datasets, a combination of all traditional features, and the features extracted from InceptionResNetV2 led to RMSE on the percentages passing of 2.3 and 1.7 %, respectively.
• Abstract（参考訳）: 本研究では, 粒状物質の粒子径分布を予測するために, 写真で訓練した一連の畳み込みニューラルネットワーク(ConvNets)であるPSDNetを評価することを目的とする。 従来の9つの特徴抽出法と15の事前訓練されたConvNetの評価と比較を行った。 15の異なる粒状物質の9600枚の写真を含むデータセットが使用された。 画像サイズと色帯域の影響を,32から160ピクセルの6つの画像サイズと,PSDNet入力としてグレースケールとカラーイメージを用いて検証した。 ランダムトレーニング,検証,テストデータセットに加えて,各画像解析手法の性能評価にも材料除去法が用いられた。 この方法で、各材料はトレーニングおよび検証データセットから順次削除され、テストデータセットとして使用される。 その結果、すべてのpsdnet色とグレースケールの特徴の組み合わせは、ランダムなテストデータセットで1.8%、材料除去法で9.1%のパーセンテージでルート平均二乗誤差(rmse)をもたらすことが分かった。 ランダムデータセットでは、すべての伝統的な特徴とinceptionresnetv2から抽出された特徴の組み合わせは、それぞれ2.3および1.7%のパーセンテージでrmseに導かれた。

関連論文リスト

• NCT-CRC-HE: Not All Histopathological Datasets Are Equally Useful [15.10324445908774]
  本稿では,NCT-CRC-HE-100Kの大腸癌データセットの解析を行った。 このデータセットと得られた結果の両方が、データ固有のバイアスの影響を受けている可能性がある。 画像あたりの3つの特徴しか使用していない最も単純なモデルでさえ、この9クラスデータセットで50%以上の精度を示すことができる。
  論文  参考訳（メタデータ） (2024-09-17T20:36:03Z)
• Patch-wise Features for Blur Image Classification [3.762360672951513]
  本手法により, ぼかしとシャープな画像劣化の区別が可能となる。 オープンデータセットで行った実験では、提案した低計算手法が検証セットの平均精度を90.1%向上することが示された。 提案手法はCPU上のVGG16ベースモデルよりも10倍高速で、入力画像サイズに線形にスケールし、低計算エッジデバイスに実装するのに適している。
  論文  参考訳（メタデータ） (2023-04-06T15:39:11Z)
• PSDNet: Determination of Particle Size Distributions Using Synthetic Soil Images and Convolutional Neural Networks [1.6572129046599933]
  提案したConvNetモデルでは, 根平均二乗誤差が1.8%, 3.3%, 2.8%, 決定係数が0。 事前学習ネットワークでは, 特徴抽出モデルと伝達学習モデルを用いて, 根平均二乗誤差の2.4 %と2.8 %を得た。
  論文  参考訳（メタデータ） (2023-03-07T22:42:13Z)
• Invariant Learning via Diffusion Dreamed Distribution Shifts [121.71383835729848]
  拡散ドリーム分布シフト(D3S)と呼ばれるデータセットを提案する。 D3Sは、テキストプロンプトを用いてStableDiffusionを通じて生成された合成画像と、サンプルフォアグラウンドイメージを背景テンプレートイメージにペーストした画像ガイドから構成される。 拡散モデルの驚くべきフォトリアリズムのため、我々の画像は以前の合成データセットよりも自然な画像に近い。
  論文  参考訳（メタデータ） (2022-11-18T17:07:43Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to Parcel Logistics [58.720142291102135]
  4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。 まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。 画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
  論文  参考訳（メタデータ） (2022-10-18T12:49:04Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• MudrockNet: Semantic Segmentation of Mudrock SEM Images through Deep Learning [0.0]
  本稿では,GoogleのDeepLab-v3+アーキテクチャに基づく深層学習SEMセグメンテーションモデルMudrockNetを提案する。 訓練された深層学習モデルは、約90%の画素精度を取得し、試験データの予測値は、銀粒の0.6591と毛穴の0.6642の平均交点(IoU)を得た。
  論文  参考訳（メタデータ） (2021-02-05T19:38:44Z)
• Shape-Texture Debiased Neural Network Training [50.6178024087048]
  畳み込みニューラルネットワークは、トレーニングデータセットによって、テクスチャまたは形状にバイアスされることが多い。 形状・テクスチャ・デバイアスド学習のためのアルゴリズムを開発した。 実験により,本手法は複数の画像認識ベンチマークにおけるモデル性能の向上に成功していることが示された。
  論文  参考訳（メタデータ） (2020-10-12T19:16:12Z)
• From ImageNet to Image Classification: Contextualizing Progress on Benchmarks [99.19183528305598]
  ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。 私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
  論文  参考訳（メタデータ） (2020-05-22T17:39:16Z)
• DeePore: a deep learning workflow for rapid and comprehensive characterization of porous materials [0.0]
  DeePoreは、マイクロトモグラフィー画像に基づく幅広い多孔質材料特性を推定するためのディープラーニングワークフローである。 我々は,2563ボクセルの大きさの多孔質ジオマテリアルの半実3次元構造を17700個生成し,各試料の物理特性を,対応する細孔ネットワークモデル上の物理シミュレーションを用いて計算した。 CNNは、このデータセットに基づいて、多孔質材料のいくつかの形態的、水圧的、電気的、機械的特性を1秒で推定するように訓練されている。
  論文  参考訳（メタデータ） (2020-05-03T08:46:09Z)

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。