論文の概要: Physics-guided adversarial networks for artificial digital image correlation data generation

• arxiv url: http://arxiv.org/abs/2303.15939v1
• Date: Tue, 28 Mar 2023 12:52:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 15:19:01.345375
• Title: Physics-guided adversarial networks for artificial digital image correlation data generation
• Title（参考訳）: ディジタル画像相関データ生成のための物理誘導対向ネットワーク
• Authors: David Melching, Erik Schultheis, Eric Breitbarth
• Abstract要約: デジタル画像相関 (DIC) は, 機械実験の評価において重要なツールとなっている。 本稿では,物理誘導型判別器を用いた生成逆数ネットワークを用いた合成DIC変位データを生成する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital image correlation (DIC) has become a valuable tool in the evaluation of mechanical experiments, particularly fatigue crack growth experiments. The evaluation requires accurate information of the crack path and crack tip position, which is difficult to obtain due to inherent noise and artefacts. Machine learning models have been extremely successful in recognizing this relevant information given labelled DIC displacement data. For the training of robust models, which generalize well, big data is needed. However, data is typically scarce in the field of material science and engineering because experiments are expensive and time-consuming. We present a method to generate synthetic DIC displacement data using generative adversarial networks with a physics-guided discriminator. To decide whether data samples are real or fake, this discriminator additionally receives the derived von Mises equivalent strain. We show that this physics-guided approach leads to improved results in terms of visual quality of samples, sliced Wasserstein distance, and geometry score.
• Abstract（参考訳）: デジタル画像相関(DIC)は, 機械的実験, 特に疲労き裂進展実験の評価において重要なツールとなっている。 この評価には亀裂経路と亀裂先端位置の正確な情報が必要である。 機械学習モデルは、ラベル付きDIC変位データから得られた関連情報を認識することに成功している。 十分に一般化された堅牢なモデルのトレーニングには、ビッグデータが必要です。 しかし、実験は高価で時間がかかるため、材料科学や工学の分野ではデータが不足することが多い。 物理誘導判別器を用いた生成逆数ネットワークを用いた合成DIC変位データを生成する。 データサンプルが実物か偽物かを決定するために、この判別器は、派生したvon Mises等価ひずみを受信する。 この物理誘導アプローチは, 試料の視覚的品質, スライスワッサースタイン距離, 幾何スコアの点で, よりよい結果をもたらすことが示されている。

関連論文リスト

• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• SuPerPM: A Large Deformation-Robust Surgical Perception Framework Based on Deep Point Matching Learned from Physical Constrained Simulation Data [28.314243346768112]
  データアソシエーションのための学習に基づく非剛性点クラウドマッチングを利用する外科的知覚フレームワークSuPerPMを提案する。 提案手法は, 大規模な変形を特徴とする, 難易度の高い外科的データセット上で実証された。
  論文  参考訳（メタデータ） (2023-09-25T04:27:06Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models [1.6352599467675781]
  脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。 拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2022-06-07T17:30:43Z)
• Closing the sim-to-real gap in guided wave damage detection with adversarial training of variational auto-encoders [0.0]
  我々は、信号処理技術が一般的に用いられる損傷検出の第一課題に焦点をあてる。 我々は、波動物理誘導逆数成分を用いたシミュレーションデータのみに基づいて、変分オートエンコーダのアンサンブルを訓練する。 提案手法を既存のディープラーニング検出手法と比較し,実験データ上での優れた性能を観察する。
  論文  参考訳（メタデータ） (2022-01-26T17:36:11Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Deep DIC: Deep Learning-Based Digital Image Correlation for End-to-End Displacement and Strain Measurement [4.999506391054041]
  デジタル画像相関 (DIC) は, 正確な変位とひずみ測定を行うための業界標準となっている。 2つの畳み込みニューラルネットワークであるDisplacementNetとStrainNetは、変位とひずみのエンドツーエンド予測のために協調して動作するように設計されている。 ディープDICは、商用DICソフトウェアから得られたものと非常に一貫性があり、同等の変位とひずみの予測を与える。
  論文  参考訳（メタデータ） (2021-10-26T14:13:57Z)
• Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
  そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。 我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-05-18T15:13:00Z)
• Model discovery in the sparse sampling regime [0.0]
  深層学習が部分微分方程式のモデル発見をいかに改善できるかを示す。 その結果、ディープラーニングに基づくモデル発見は、基礎となる方程式を復元することができる。 我々は合成集合と実験集合の両方について主張する。
  論文  参考訳（メタデータ） (2021-05-02T06:27:05Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。