論文の概要: GANs and alternative methods of synthetic noise generation for domain
adaption of defect classification of Non-destructive ultrasonic testing
- arxiv url: http://arxiv.org/abs/2306.01469v1
- Date: Fri, 2 Jun 2023 11:48:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 15:14:00.202990
- Title: GANs and alternative methods of synthetic noise generation for domain
adaption of defect classification of Non-destructive ultrasonic testing
- Title（参考訳）: 非破壊超音波探傷における欠陥分類の領域適応のためのGANと代替合成ノイズ生成法
- Authors: Shaun McKnight, S. Gareth Pierce, Ehsan Mohseni, Christopher
MacKinnon, Charles MacLeod, Tom OHare, Charalampos Loukas
- Abstract要約: その結果, 直接シミュレーションだけでは, ノイズ再構成が不十分なため, 実験領域を代表するトレーニングデータの生成には効果がないことがわかった。
半解析的シミュレーションデータを用いた4つのユニークな合成データ生成法が基礎として提案された。
畳み込みニューラルネットワークを用いて学習した実画像の分類性能について評価した。
- 参考スコア（独自算出の注目度）: 0.09236074230806578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work provides a solution to the challenge of small amounts of training
data in Non-Destructive Ultrasonic Testing for composite components. It was
demonstrated that direct simulation alone is ineffective at producing training
data that was representative of the experimental domain due to poor noise
reconstruction. Therefore, four unique synthetic data generation methods were
proposed which use semi-analytical simulated data as a foundation. Each method
was evaluated on its classification performance of real experimental images
when trained on a Convolutional Neural Network which underwent hyperparameter
optimization using a genetic algorithm. The first method introduced task
specific modifications to CycleGAN, to learn the mapping from physics-based
simulations of defect indications to experimental indications in resulting
ultrasound images. The second method was based on combining real experimental
defect free images with simulated defect responses. The final two methods fully
simulated the noise responses at an image and signal level respectively. The
purely simulated data produced a mean classification F1 score of 0.394.
However, when trained on the new synthetic datasets, a significant improvement
in classification performance on experimental data was realized, with mean
classification F1 scores of 0.843, 0.688, 0.629, and 0.738 for the respective
approaches.
- Abstract（参考訳）: この研究は、複合部品の非破壊超音波探傷における少量のトレーニングデータの課題に対する解決策を提供する。
その結果, 直接シミュレーションだけでは, 実験領域を代表する訓練データの生成には効果がないことがわかった。
そこで, 半解析シミュレーションデータを用いた合成データ生成手法を4つ提案した。
遺伝的アルゴリズムを用いてハイパーパラメータ最適化を行った畳み込みニューラルネットワークを用いて,実実験画像の分類性能評価を行った。
最初の方法はサイクガンのタスク固有の修正を導入し、欠陥適応の物理学に基づくシミュレーションから超音波画像の実験的適応へのマッピングを学習した。
第2の方法は,実実験的欠陥自由画像と模擬欠陥応答を組み合わせたものである。
最後の2つの方法は、それぞれ画像と信号レベルでのノイズ応答をシミュレートする。
純粋なシミュレーションデータから平均分類F1スコアは0.394。
しかし, 新たな合成データセットで学習すると, 平均分類f1スコア0.843, 0.688, 0.629, 0.738で実験データでの分類性能が著しく向上した。
関連論文リスト
- Denoising Plane Wave Ultrasound Images Using Diffusion Probabilistic Models [3.3463490716514177]
高フレームレート超音波イメージングは、高フレームレートイメージングを可能にする最先端技術である。
高フレームレート超音波イメージングにかかわる課題の1つは、それらにかかわる高ノイズが、より広範に採用を妨げていることである。
提案手法は,平面波画像の画質向上を目的としている。
具体的には、低角と高角複合平面波の区別をノイズとみなす。
さらに,本手法では,生成した画像の強度マップとして自然画像分割マスクを用い,解剖学的形状の精度向上を図る。
論文 参考訳（メタデータ） (2024-08-20T16:31:31Z) - SeNM-VAE: Semi-Supervised Noise Modeling with Hierarchical Variational Autoencoder [13.453138169497903]
SeNM-VAEは、ペアとアンペアの両方のデータセットを利用して、現実的な劣化データを生成する半教師付きノイズモデリング手法である。
実世界の画像認識と超分解能タスクのためのペアトレーニングサンプルを生成するために,本手法を用いた。
提案手法は, 合成劣化画像の品質を, 他の不対とペアのノイズモデリング法と比較して向上させる。
論文 参考訳（メタデータ） (2024-03-26T09:03:40Z) - Phase Aberration Correction without Reference Data: An Adaptive Mixed
Loss Deep Learning Approach [3.647138233493735]
位相収差効果を補うために参照データを必要としない深層学習に基づく手法を提案する。
平均二乗誤差のような従来の損失関数が最適性能を達成するためにネットワークを訓練するには不十分であることを示す。
論文 参考訳（メタデータ） (2023-03-10T07:11:48Z) - On Robust Learning from Noisy Labels: A Permutation Layer Approach [53.798757734297986]
本稿では、深層ニューラルネットワーク(DNN)のトレーニング過程を動的に校正するPermLLと呼ばれる置換層学習手法を提案する。
本稿では,PermLLの2つの変種について述べる。一方はモデルの予測に置換層を適用し,他方は与えられた雑音ラベルに直接適用する。
我々はPermLLを実験的に検証し、実際のデータセットと合成データセットの両方で最先端のパフォーマンスを実現することを示す。
論文 参考訳（メタデータ） (2022-11-29T03:01:48Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Noise Reduction in X-ray Photon Correlation Spectroscopy with
Convolutional Neural Networks Encoder-Decoder Models [0.0]
2時間相関関数における信号対雑音比を改善するための計算手法を提案する。
CNN-EDモデルは、畳み込みニューラルネットワークデコーダ(CNN-ED)モデルに基づいている。
実世界の実験データに基づいて訓練されたCNN-EDモデルにより,2時間相関関数から平衡力学パラメータを効果的に抽出できることが実証された。
論文 参考訳（メタデータ） (2021-02-07T18:38:59Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z) - Noise2Inverse: Self-supervised deep convolutional denoising for
tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。
そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。
シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文 参考訳（メタデータ） (2020-01-31T12:50:24Z)
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。