論文の概要: Evaluation of Key Spatiotemporal Learners for Print Track Anomaly
Classification Using Melt Pool Image Streams
- arxiv url: http://arxiv.org/abs/2308.14861v1
- Date: Mon, 28 Aug 2023 19:31:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 17:02:01.674264
- Title: Evaluation of Key Spatiotemporal Learners for Print Track Anomaly
Classification Using Melt Pool Image Streams
- Title（参考訳）: メルトプール画像ストリームを用いたプリントトラック異常分類のためのキー時空間学習者の評価
- Authors: Lynn Cherif, Mutahar Safdar, Guy Lamouche, Priti Wanjara, Padma Paul,
Gentry Wood, Max Zimmermann, Florian Hannesen, Yaoyao Fiona Zhao
- Abstract要約: 本稿では,メルトプール画像の分類に適応可能な,先進的な深層学習モデルについて紹介する。
空間的ストリームと時間的ストリームと、繰り返し空間的ネットワークと、分解された3次元畳み込みニューラルネットワークから構成される2つのストリームネットワークについて検討する。
実世界のプロセスシナリオに根ざしたデータテンポラリ手法を用いて, 溶融プール画像データの摂動に曝露した場合の一般化能力について検討した。
- 参考スコア（独自算出の注目度）: 1.83192584562129
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent applications of machine learning in metal additive manufacturing (MAM)
have demonstrated significant potential in addressing critical barriers to the
widespread adoption of MAM technology. Recent research in this field emphasizes
the importance of utilizing melt pool signatures for real-time defect
prediction. While high-quality melt pool image data holds the promise of
enabling precise predictions, there has been limited exploration into the
utilization of cutting-edge spatiotemporal models that can harness the inherent
transient and sequential characteristics of the additive manufacturing process.
This research introduces and puts into practice some of the leading deep
spatiotemporal learning models that can be adapted for the classification of
melt pool image streams originating from various materials, systems, and
applications. Specifically, it investigates two-stream networks comprising
spatial and temporal streams, a recurrent spatial network, and a factorized 3D
convolutional neural network. The capacity of these models to generalize when
exposed to perturbations in melt pool image data is examined using data
perturbation techniques grounded in real-world process scenarios. The
implemented architectures demonstrate the ability to capture the spatiotemporal
features of melt pool image sequences. However, among these models, only the
Kinetics400 pre-trained SlowFast network, categorized as a two-stream network,
exhibits robust generalization capabilities in the presence of data
perturbations.
- Abstract（参考訳）: 金属添加物製造(MAM)における機械学習の最近の応用は、MAM技術の普及に対する重要な障壁に対処する大きな可能性を示している。
この分野での最近の研究は、リアルタイム欠陥予測にメルトプールシグネチャを活用することの重要性を強調している。
高品質のメルトプール画像データは正確な予測を可能にするという約束を保っているが, 加法製造プロセスの経時的および逐次的特性を生かした最先端の時空間モデルの利用について, 限定的な探究がなされている。
本研究は,様々な材料,システム,応用から派生したメルトプール画像ストリームの分類に適用可能な,主要な深層時空間学習モデルをいくつか紹介し,実践する。
具体的には,空間的および時間的流れ,再帰的空間的ネットワーク,因子化された3次元畳み込みニューラルネットワークからなる2つのストリームネットワークについて検討する。
メルトプール画像データの摂動に晒された場合に一般化するこれらのモデルの容量を、実世界のプロセスシナリオに基づくデータ摂動技術を用いて検討する。
実装されたアーキテクチャは、溶融プール画像シーケンスの時空間的特徴をキャプチャする能力を示している。
しかし、これらのモデルの中で、データ摂動の存在下で堅牢な一般化能力を示すのは、Kinetics400事前訓練SlowFastネットワークのみである。
関連論文リスト
- AI Driven Water Segmentation with deep learning models for Enhanced Flood Monitoring [0.0]
洪水は大きな自然災害であり、毎年重大な死者と経済的な損失をもたらし、気候変動によって頻度が増している。
本研究では,UNet,ResNet,DeepLabv3の3種類の深層学習モデルの性能を比較する。
論文 参考訳（メタデータ） (2025-01-14T17:26:02Z) - CNN-powered micro- to macro-scale flow modeling in deformable porous media [0.0]
本研究は, 変形性多孔質媒質中のマクロ内在透過性テンソルを, 実マイクロジオメトリーのマイクロCT画像の限られたセットを用いて予測する新しい手法を提案する。
この研究の新規性は、変形および異方性流れ条件下での細孔流体の挙動を予測するために畳み込みニューラルネットワーク(CNN)を活用することである。
論文 参考訳（メタデータ） (2025-01-11T07:36:41Z) - Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。
エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。
高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
論文 参考訳（メタデータ） (2025-01-07T12:29:32Z) - MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。
このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。
六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
論文 参考訳（メタデータ） (2024-12-12T15:01:39Z) - Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。
従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。
本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T01:36:48Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳（メタデータ） (2022-05-31T22:28:34Z) - 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) - Spatio-Temporal Recurrent Networks for Event-Based Optical Flow
Estimation [47.984368369734995]
本稿では,イベントベース光フロー推定のためのニューラルネットアーキテクチャを提案する。
このネットワークは、Multi-Vehicle Stereo Event Cameraデータセット上で、セルフ教師付き学習でエンドツーエンドにトレーニングされている。
既存の最先端の手法を大きなマージンで上回る結果が得られた。
論文 参考訳（メタデータ） (2021-09-10T13:37:37Z) - Estimating permeability of 3D micro-CT images by physics-informed CNNs
based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。
透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。
その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文 参考訳（メタデータ） (2021-09-04T08:43:19Z) - Finite volume method network for acceleration of unsteady computational
fluid dynamics: non-reacting and reacting flows [0.0]
CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。
反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
論文 参考訳（メタデータ） (2021-05-07T15:33:49Z)
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。