論文の概要: A Framework for Supervised and Unsupervised Segmentation and Classification of Materials Microstructure Images

• arxiv url: http://arxiv.org/abs/2502.07107v1
• Date: Mon, 10 Feb 2025 23:05:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:09:10.352820
• Title: A Framework for Supervised and Unsupervised Segmentation and Classification of Materials Microstructure Images
• Title（参考訳）: 材料組織像の教師付き非教師付きセグメンテーションと分類のためのフレームワーク
• Authors: Kungang Zhang, Daniel W. Apley, Wei Chen, Wing K. Liu, L. Catherine Brinson,
• Abstract要約: このフレームワークは、位相/クラスに応じてマイクログラフを分類するための教師なしおよび教師なしの学習手法を統合する。 特定のプロセスや材料群に関連するマイクロ構造クラスのデータベースを徐々に構築するために使用することができる。 本発明の枠組みは、データベースを拡張して性能を高めるとともに、新しい均質又は多相材料を反復的に特徴付けることができる。
• 参考スコア（独自算出の注目度）: 4.386263848151506
• License:
• Abstract: Microstructure of materials is often characterized through image analysis to understand processing-structure-properties linkages. We propose a largely automated framework that integrates unsupervised and supervised learning methods to classify micrographs according to microstructure phase/class and, for multiphase microstructures, segments them into different homogeneous regions. With the advance of manufacturing and imaging techniques, the ultra-high resolution of imaging that reveals the complexity of microstructures and the rapidly increasing quantity of images (i.e., micrographs) enables and necessitates a more powerful and automated framework to extract materials characteristics and knowledge. The framework we propose can be used to gradually build a database of microstructure classes relevant to a particular process or group of materials, which can help in analyzing and discovering/identifying new materials. The framework has three steps: (1) segmentation of multiphase micrographs through a recently developed score-based method so that different microstructure homogeneous regions can be identified in an unsupervised manner; (2) {identification and classification of} homogeneous regions of micrographs through an uncertainty-aware supervised classification network trained using the segmented micrographs from Step $1$ with their identified labels verified via the built-in uncertainty quantification and minimal human inspection; (3) supervised segmentation (more powerful than the segmentation in Step $1$) of multiphase microstructures through a segmentation network trained with micrographs and the results from Steps $1$-$2$ using a form of data augmentation. This framework can iteratively characterize/segment new homogeneous or multiphase materials while expanding the database to enhance performance. The framework is demonstrated on various sets of materials and texture images.
• Abstract（参考訳）: 材料の微細構造は、処理-構造-プロパティ結合を理解するために画像解析によってしばしば特徴づけられる。 本研究では,非教師付きおよび教師付き学習手法を統合し,マイクログラフをミクロ構造相/クラスに分類し,多相マイクロ構造に対して異なる均質領域に分割するフレームワークを提案する。 製造・撮像技術の進歩により、微細構造の複雑さと急速に増大する画像量(マイクログラフ)を明らかにする超高解像度の撮像技術により、材料の特徴や知識を抽出するためのより強力で自動化された枠組みが実現され、必要となる。 提案するフレームワークは、特定のプロセスや材料群に関連するミクロ組織クラスのデータベースを段階的に構築し、新しい材料を分析・発見・同定するのに役立つ。 本フレームワークは,(1)最近開発されたスコアベース方式による多相マイクログラフの分別化により,異なるミクロ構造均質領域を非教師付き方法で識別する,(2)不確実性を考慮した分類ネットワークを通じて,各マイクログラフの均質領域の同定と分類を行う,(2) 組込み不確実性定量化と最小限の人間検査による識別されたラベルを用いて,ステップ1の分別マイクログラフを用いて訓練された識別された識別されたラベルと,(3) マイクログラフで訓練された分別ネットワークによる多相マイクログラフの分別(ステップ1の分別よりも強力な)と,ステップ1-2の分別ネットワークを用いて,ステップ1-2の分定化を行う,という3つのステップを有する。 本発明の枠組みは、データベースを拡張して性能を高めるとともに、新しい均質又は多相材料を反復的に特徴付けることができる。 この枠組みは様々な材料やテクスチャ画像で実証されている。

関連論文リスト

• Hierarchical Network Fusion for Multi-Modal Electron Micrograph Representation Learning with Foundational Large Language Models [0.0]
  電子マイクログラフ解析のための革新的なバックボーンアーキテクチャを提案する。 マイクログラフをパッチシーケンスにトークン化し、視覚グラフとして表現することで、マイクログラフのマルチモーダル表現を作成する。 我々のフレームワークは従来の手法よりも優れており、分散シフトによって引き起こされる課題を克服しています。
  論文  参考訳（メタデータ） (2024-08-24T19:24:44Z)
• Image Segmentation in Foundation Model Era: A Survey [95.60054312319939]
  イメージセグメンテーションにおける現在の研究は、異なる特徴、課題、解決策の詳細な分析を欠いている。 本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。 現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-08-23T10:07:59Z)
• MatSAM: Efficient Extraction of Microstructures of Materials via Visual Large Model [11.130574172301365]
  Segment Anything Model (SAM)は、強力な深い特徴表現とゼロショットの一般化機能を備えた大きなビジュアルモデルである。 本稿では,SAMに基づく汎用的で効率的なマイクロ構造抽出法であるMatSAMを提案する。 簡単なが効果的な点ベースのプロンプト生成戦略が設計され、ミクロ構造の分布と形状に基づいている。
  論文  参考訳（メタデータ） (2024-01-11T03:18:18Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像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4つの異なる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)
• Computer Vision Methods for the Microstructural Analysis of Materials: The State-of-the-art and Future Perspectives [0.4595477728342621]
  本稿では, マルチスケール画像解析に応用された最先端CNN技術について概説する。 材料科学研究へのこれらの手法の適用に関する主な課題を同定する。
  論文  参考訳（メタデータ） (2022-07-29T15:27:47Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Video-based Facial Micro-Expression Analysis: A Survey of Datasets, Features and Algorithms [52.58031087639394]
  マイクロ表現は不随意かつ過渡的な表情である。 嘘検出や犯罪検出など、幅広い応用において重要な情報を提供することができる。 マイクロ表現は過渡的で低強度であるため、検出と認識は困難であり、専門家の経験に大きく依存する。
  論文  参考訳（メタデータ） (2022-01-30T05:14:13Z)
• MOGAN: Morphologic-structure-aware Generative Learning from a Single Image [59.59698650663925]
  近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。 多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。 合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
  論文  参考訳（メタデータ） (2021-03-04T12:45:23Z)
• Image-driven discriminative and generative machine learning algorithms for establishing microstructure-processing relationships [0.49259062564301753]
  我々は、画像認識、キャラクタリゼーション、予測機能構築のための改良された機械学習アプローチを開発する。 核燃料として現在開発中の二元合金(ウラニウムモリブデン)について検討した。 F1スコア95.1%は10の異なる熱力学的材料処理条件に対応するマイクログラフを区別するために達成された。
  論文  参考訳（メタデータ） (2020-07-27T10:36:18Z)
• Retinal Image Segmentation with a Structure-Texture Demixing Network [62.69128827622726]
  複雑な構造とテクスチャ情報は網膜画像に混在し、その情報の識別が困難である。 既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。 本稿では,構造成分とテクスチャ成分を分離し,性能を大幅に向上させるセグメンテーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-15T12:19:03Z)
• Overview: Computer vision and machine learning for microstructural characterization and analysis [1.4194966466632493]
  コンピュータビジョン(CV)と機械学習(ML)は、微細構造画像から情報を抽出するための新しいアプローチを提供する。 微細構造解析のためのCV/MLシステムは、画像解析タスクの分類にまたがる。 これらのツールは、新しいリッチなビジュアルメトリクスの開発を含む、ミクロ構造解析への新しいアプローチを可能にする。
  論文  参考訳（メタデータ） (2020-05-28T19:51:23Z)

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。