論文の概要: Macroscale fracture surface segmentation via semi-supervised learning considering the structural similarity
- arxiv url: http://arxiv.org/abs/2403.18337v1
- Date: Wed, 27 Mar 2024 08:21:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 17:57:01.702680
- Title: Macroscale fracture surface segmentation via semi-supervised learning considering the structural similarity
- Title(参考訳): 構造的類似性を考慮した半教師あり学習によるマクロスケールき裂面セグメンテーション
- Authors: Johannes Rosenberger, Johannes Tlatlik, Sebastian Münstermann,
- Abstract要約: セグメンテーション能力に対する構造的類似性の影響を分析するために、3つのデータセットが作成された。
半教師あり学習のための弱強整合正則化を実装した。
提案手法はトレーニングに必要なラベル付き画像の数を6。
- 参考スコア(独自算出の注目度): 1.3654846342364308
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To this date the safety assessment of materials, used for example in the nuclear power sector, commonly relies on a fracture mechanical analysis utilizing macroscopic concepts, where a global load quantity K or J is compared to the materials fracture toughness curve. Part of the experimental effort involved in these concepts is dedicated to the quantitative analysis of fracture surfaces. Within the scope of this study a methodology for the semi-supervised training of deep learning models for fracture surface segmentation on a macroscopic level was established. Therefore, three distinct and unique datasets were created to analyze the influence of structural similarity on the segmentation capability. The structural similarity differs due to the assessed materials and specimen, as well as imaging-induced variance due to fluctuations in image acquisition in different laboratories. The datasets correspond to typical isolated laboratory conditions, complex real-world circumstances, and a curated subset of the two. We implemented a weak-to-strong consistency regularization for semi-supervised learning. On the heterogeneous dataset we were able to train robust and well-generalizing models that learned feature representations from images across different domains without observing a significant drop in prediction quality. Furthermore, our approach reduced the number of labeled images required for training by a factor of 6. To demonstrate the success of our method and the benefit of our approach for the fracture mechanics assessment, we utilized the models for initial crack size measurements with the area average method. For the laboratory setting, the deep learning assisted measurements proved to have the same quality as manual measurements. For models trained on the heterogeneous dataset, very good measurement accuracies with mean deviations smaller than 1 % could be achieved...
- Abstract(参考訳): 現在まで、原子力セクターなどで用いられる材料の安全性評価は、大域的負荷量KまたはJを材料破壊靭性曲線と比較するマクロ概念を用いた破壊力学的解析に一般的に依存している。
これらの概念に関する実験的な取り組みの一部は、破面の定量的解析に向けられている。
本研究の範囲内では, マクロレベルのき裂面セグメンテーションのための深層学習モデルの半教師付きトレーニング手法が確立された。
そのため, セグメンテーション能力に対する構造的類似性の影響を分析するために, 3つの異なる, ユニークなデータセットが作成された。
構造的類似性は、評価された材料と標本、および異なる研究室における画像取得の変動による画像誘起のばらつきによって異なる。
データセットは、典型的な孤立した実験室の条件、複雑な現実世界の状況、そしてこれら2つをキュレートしたサブセットに対応している。
半教師あり学習のための弱強整合正則化を実装した。
ヘテロジニアスデータセットでは、予測品質の大幅な低下を観測することなく、さまざまな領域にわたる画像から特徴表現を学習した堅牢で汎用的なモデルをトレーニングすることが可能でした。
さらに,本手法はトレーニングに必要なラベル付き画像の数を6。
本手法の成功と破壊力学評価へのアプローチの利点を実証するために,面積平均法による初期き裂径測定にモデルを応用した。
実験室では, 深層学習支援測定値が手動測定値と同等品質であることが判明した。
不均一データセットでトレーニングされたモデルでは、平均偏差が1%未満の非常に優れた測定精度が達成できた。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳(メタデータ) (2024-01-18T16:59:27Z) - Bayesian Intrinsic Groupwise Image Registration: Unsupervised
Disentanglement of Anatomy and Geometry [53.645443644821306]
本稿では,医用画像の集団登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から得られた4つのデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳(メタデータ) (2024-01-04T08:46:39Z) - Unsupervised Learning of Nanoindentation Data to Infer Microstructural
Details of Complex Materials [4.771578529731914]
Cu-Cr複合材料をナノインデンテーションにより研究した。
教師なし学習技術を用いてデータを解析した。
データ量が適切かどうかを判断するためにクロスバリデーションを導入した。
論文 参考訳(メタデータ) (2023-09-12T21:45:33Z) - Microstructure quality control of steels using deep learning [0.0]
品質管理において, 構造整合性を確保するため, 臨界体積欠陥の存在を排除し, ターゲットの微細構造の形成を検証するため, 微構造を厳密に検討した。
焼成・階層構造鋼の場合, ベイナイトおよびマルテンサイト組織の形態は, サービス条件下での材料の信頼性を保証する上で大きな関心事である。
そこで本研究では, 鋼板の微細構造を識別し, ISO 643粒径評価基準に従って針長を分類する深層学習画像分類手法を提案する。
論文 参考訳(メタデータ) (2023-06-01T15:25:53Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - Spatio-Temporal Structure Consistency for Semi-supervised Medical Image
Classification [8.656046905043876]
本研究では,新しい時空間構造一貫性(STSC)学習フレームワークを提案する。
具体的には、空間構造整合性と時間構造整合性を組み合わせるために、グラム行列を導出する。
提案手法は最先端のSSL手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-03T04:18:09Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - Predicting failure characteristics of structural materials via deep
learning based on nondestructive void topology [0.5735035463793008]
非破壊的X線CT(X-CT)、持続的ホモロジー(PH)、深層マルチモーダル学習(DML)を組み合わせた材料破壊特性の予測手法を提案する。
材料検査時の微細欠陥状態を入力として利用し、故障関連特性を出力する。
論文 参考訳(メタデータ) (2022-05-17T05:59:42Z) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-03T14:06:03Z) - Physical model simulator-trained neural network for computational 3D
phase imaging of multiple-scattering samples [1.112751058850223]
サンプルコントラストを均質化する新しいモデルベースデータ正規化前処理法を開発した。
上皮扁平上皮細胞およびCaenorhabditis elegans wormsの実験的測定におけるこのフレームワークの能力を示す。
論文 参考訳(メタデータ) (2021-03-29T17:43:56Z)
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。