論文の概要: Semantic Segmentation of Porosity in 4D Spatio-Temporal X-ray \mu CT of
Titanium Coated Ni wires using Deep Learning
- arxiv url: http://arxiv.org/abs/2306.14039v1
- Date: Sat, 24 Jun 2023 19:08:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 17:31:15.565774
- Title: Semantic Segmentation of Porosity in 4D Spatio-Temporal X-ray \mu CT of
Titanium Coated Ni wires using Deep Learning
- Title（参考訳）: 深層学習によるチタン被覆Ni線の4次元時空間X線CTにおけるポロシティのセマンティックセグメンテーション
- Authors: Pradyumna Elavarthi, Arun Bhattacharjee, Ashley Paz y Puente, Anca
Ralescu
- Abstract要約: 畳み込みニューラルネットワークを用いて、Ti被覆Ni線の均質化における2つのキルケンドール孔の体積分画の進化を測定した。
一度訓練されると、モデルは2つのタイプの細孔を進化の異なる段階で意味的に分割するために使用される。
ネットワークによって予測された細孔のマスクは、0分間、240分間、および480分間の均質化におけるポロシティの体積率を測定するために使用された。
- 参考スコア（独自算出の注目度）: 2.6763498831034043
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A fully convolutional neural network was used to measure the evolution of the
volume fraction of two different Kirkendall pores during the homogenization of
Ti coated Ni wires. Traditional methods like Otsus thresholding and the largest
connected component analysis were used to obtain the masks for training the
segmentation model. Once trained, the model was used to semantically segment
the two types of pores at different stages in their evolution. Masks of the
pores predicted by the network were then used to measure the volume fraction of
porosity at 0 mins, 240 mins, and 480 mins of homogenization. The model
predicted an increase in porosity for one type of pore and a decrease in
porosity for another type of pore due to pore sintering, and it achieved an F1
Score of 0.95.
- Abstract（参考訳）: 完全畳み込みニューラルネットワークは、Ti被覆Ni線の均質化における2つの異なるカーケンドール孔の体積分画の進化を測定するために用いられた。
セグメンテーションモデルの訓練のためのマスクを得るために, 大津スしきい値法や最大連結成分分析などの伝統的な手法が用いられた。
一度訓練すると、モデルは進化の異なる段階で2つのタイプの細孔を意味的に分割するために使われた。
ネットワークによって予測された細孔のマスクは、0分間、240分間、および480分間の均質化率を測定するために使用された。
このモデルでは, 孔孔の孔率の増加と孔孔焼結による孔孔率の減少を予測し, F1スコア0.95を得た。
関連論文リスト
- Flexiffusion: Segment-wise Neural Architecture Search for Flexible Denoising Schedule [50.260693393896716]
拡散モデル(diffusion model)は、多様な高品質な画像を生成するのに適した最先端の生成モデルである。
近年,より高速な生成プロセスの自動探索技術が採用されている。
拡散モデルの高速化を目的とした新しいトレーニングフリーNASパラダイムであるFlexiffusionを紹介する。
論文 参考訳（メタデータ） (2024-09-26T06:28:05Z) - Attenuation-adjusted deep learning of pore defects in 2D radiographs of additive manufacturing powders [0.20482269513546453]
添加剤製造用金属原料粉末中のガス細孔の存在は、最終AM生成物に大きな影響を及ぼす。
この研究は、単一の2次元粉体に細孔ピクセルをラベル付けすることで、このような将来の効率的なセットアップをシミュレートすることを目指している。
論文 参考訳（メタデータ） (2024-08-05T12:34:49Z) - ThermoPore: Predicting Part Porosity Based on Thermal Images Using Deep Learning [4.498477459271036]
本稿では,レーザー粉体融合法で作製した試料中の擬似ポロシティの定量化と局在化のための深層学習手法を提案する。
私たちの目標は、ビルド中に取得した熱画像に基づいて、パーツのリアルタイムポロシティマップを構築することです。
論文 参考訳（メタデータ） (2024-04-23T19:56:11Z) - Generative Fractional Diffusion Models [53.36835573822926]
我々は,その基礎となる力学に分数拡散過程を利用する,最初の連続時間スコアベース生成モデルを導入する。
実画像データを用いた評価では,GFDMはFIDが低い値で示されるように,画素幅の多様性と画質の向上を実現している。
論文 参考訳（メタデータ） (2023-10-26T17:53:24Z) - Flashlight Search Medial Axis: A Pixel-Free Pore-Network Extraction
Algorithm [5.374671116882384]
細孔ネットワークモデル(PNM)は、過去数十年間、多孔質媒体の流動の研究において重要なツールとなっている。
従来の細孔ネットワーク抽出法はピクセルに基づいており、画質の高い画像を必要とする。
ここでは,連続空間における細孔ネットワーク抽出のために,フラッシュライト探索媒介軸 (FSMA) アルゴリズムと呼ばれる画素フリーの手法を提案する。
論文 参考訳（メタデータ） (2023-08-05T11:37:24Z) - DFormer: Diffusion-guided Transformer for Universal Image Segmentation [86.73405604947459]
提案したDFormerは,拡散モデルを用いて画像分割タスクをデノナイズプロセスとみなしている。
我々のDFormerは、ランダムに生成されたマスクの集合から、マスクとそれに対応するカテゴリを直接予測します。
我々のDFormerは、最近の拡散型汎光学分割法Pix2Seq-Dより優れており、MS COCO val 2017セットで3.6%向上している。
論文 参考訳（メタデータ） (2023-06-06T06:33:32Z) - A DeepParticle method for learning and generating aggregation patterns
in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。
さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
論文 参考訳（メタデータ） (2022-08-31T20:52:01Z) - Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。
モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。
提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文 参考訳（メタデータ） (2021-11-22T06:26:29Z) - Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and
Landmark Localization on 3D Intraoral Scans [56.55092443401416]
TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。
PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
論文 参考訳（メタデータ） (2021-09-24T13:00:26Z) - Impact of Surface and Pore Characteristics on Fatigue Life of Laser
Powder Bed Fusion Ti-6Al-4V Alloy Described by Neural Network Models [0.18961324344454256]
レーザ粉末層融合部の疲労寿命に及ぼす表面粗さと細孔特性の影響について検討した。
表面粗さと細孔の統計について, 疲労挙動を解析した。
ドロップアウトニューラルネットワーク(DONN)を用いた機械学習モデルを用いて、表面特徴と細孔特徴のリンクを確立する。
論文 参考訳（メタデータ） (2021-08-28T02:51:04Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z)
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。