論文の概要: Data-efficient U-Net for Segmentation of Carbide Microstructures in SEM Images of Steel Alloys

• arxiv url: http://arxiv.org/abs/2511.11485v1
• Date: Fri, 14 Nov 2025 17:01:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.735653
• Title: Data-efficient U-Net for Segmentation of Carbide Microstructures in SEM Images of Steel Alloys
• Title（参考訳）: 鋼合金のSEM像における炭化物微細組織分離のためのデータ効率のよいU-Net
• Authors: Alinda Ezgi Gerçek, Till Korten, Paul Chekhonin, Maleeha Hassan, Peter Steinbach,
• Abstract要約: textbf10アノテート走査型電子顕微鏡画像からトレーニングした軽量なU-Net(30.7Mパラメータ)を用いたデータ効率のセグメンテーションパイプラインを提案する。 限られたデータにもかかわらず、我々のモデルである textbfDice-Srensen は0.98 の係数を達成し、冶金分野の最先端を著しく上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding reactor-pressure-vessel steel microstructure is crucial for predicting mechanical properties, as carbide precipitates both strengthen the alloy and can initiate cracks. In scanning electron microscopy images, gray-value overlap between carbides and matrix makes simple thresholding ineffective. We present a data-efficient segmentation pipeline using a lightweight U-Net (30.7~M parameters) trained on just \textbf{10 annotated scanning electron microscopy images}. Despite limited data, our model achieves a \textbf{Dice-Sørensen coefficient of 0.98}, significantly outperforming the state-of-the-art in the field of metallurgy (classical image analysis: 0.85), while reducing annotation effort by one order of magnitude compared to the state-of-the-art data efficient segmentation model. This approach enables rapid, automated carbide quantification for alloy design and generalizes to other steel types, demonstrating the potential of data-efficient deep learning in reactor-pressure-vessel steel analysis.
• Abstract（参考訳）: 反応器圧力容器鋼の微細構造を理解することは、炭化物が合金強化と亀裂発生の両方を析出させるため、機械的特性を予測するのに不可欠である。 走査電子顕微鏡画像では、炭化物とマトリックスの灰色の値の重なりは、単純な閾値付けを効果的にしない。 そこで本研究では,単に \textbf{10 アノテートされた走査型電子顕微鏡画像に基づいてトレーニングした,軽量なU-Net(30.7〜Mパラメータ)を用いたデータ効率のセグメンテーションパイプラインを提案する。 限られたデータにもかかわらず、我々のモデルは、メタルギー(古典的画像解析:0.85)の分野における最先端を著しく上回りながら、最先端のデータ効率のセグメンテーションモデルと比較して1桁のアノテーションの労力を削減できるような、textbf{Dice-Sørensen coefficient of 0.98} を達成している。 このアプローチは、合金設計のための高速で自動炭化物定量化を可能にし、他の鋼種に一般化し、原子炉圧力容器鋼分析におけるデータ効率の深い学習の可能性を示す。

関連論文リスト

• Deep Generative Learning of Magnetic Frustration in Artificial Spin Ice from Magnetic Force Microscopy Images [0.0]
  本研究は,スピンレンズ配置のネット磁気モーメントと方向方向の計算を自動化する。 第一段階では、スピンアイス構造内の磁気モーメントと方向を正確に予測するために機械学習モデルを訓練する。 提案手法の第2段階は、フラストレーションのある頂点とナノ磁気セグメントの正確な同定と予測を可能にする。
  論文  参考訳（メタデータ） (2025-07-23T17:40:39Z)
• Efficient Token Compression for Vision Transformer with Spatial Information Preserved [59.79302182800274]
  トーケン圧縮は、トランスモデルの計算およびメモリ要求の低減に不可欠である。 本稿では,Prune と Merge という,効率的なハードウェア互換のトークン圧縮手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T14:23:18Z)
• Machine Learning for Identifying Grain Boundaries in Scanning Electron Microscopy (SEM) Images of Nanoparticle Superlattices [0.0]
  ナノ粒子超格子の走査型電子顕微鏡(SEM)画像における粒界分割の自動化のための機械学習ワークフローを提案する。 我々は、生のピクセルデータをクラスタリングのための超格子配向の説明可能な数値表現に変換する。 この効率性により、ワークフローは大規模なデータセットにスケーラブルになり、データ駆動モデルを意思決定プロセスに統合するための貴重なツールになります。
  論文  参考訳（メタデータ） (2025-01-07T22:51:10Z)
• Prediction of microstructural representativity from a single image [0.0]
  本稿では、材料の単一画像(2Dまたは3D)で観測された位相分率の表現率を予測する方法を提案する。 提案手法は,2点相関関数を用いて1つの画像から分散を直接推定する。 本手法を簡易に利用するために,Webアプリケーション www.imagerep.io を開発した。
  論文  参考訳（メタデータ） (2024-10-25T13:59:22Z)
• Unlocking Data-free Low-bit Quantization with Matrix Decomposition for KV Cache Compression [87.5604418100301]
  キー値(KV)キャッシングは,大規模言語モデルの推論を高速化する重要な手法である。 既存の手法はしばしば精度を損なうか、キャリブレーションのために余分なデータを必要とする。 テンソル分解法に基づく新しいデータフリー低ビット量子化手法である textbfDecoQuant を導入する。
  論文  参考訳（メタデータ） (2024-05-21T08:35:10Z)
• Semantic segmentation of SEM images of lower bainitic and tempered martensitic steels [0.7809684307295284]
  本研究は, 走査型電子顕微鏡像の分画に深層学習技術を用い, 低ベイナイトおよび焼鈍マルテンサイト鋼中の炭化物析出物の定量分析を可能にした。 以上の結果より,低ベイナイトおよび温帯マルテンサイトは,温帯マルテンサイト中の炭化物分布がより均一であるにもかかわらず,炭化物量に匹敵する割合を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2023-12-02T05:11:34Z)
• Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
  単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。 データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。 これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
  論文  参考訳（メタデータ） (2023-11-21T21:51:00Z)
• Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
  オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。 CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。 走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
  論文  参考訳（メタデータ） (2023-05-12T22:49:36Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)

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。