論文の概要: Bayes-DIC Net: Estimating Digital Image Correlation Uncertainty with Bayesian Neural Networks

• arxiv url: http://arxiv.org/abs/2512.04323v1
• Date: Wed, 03 Dec 2025 23:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:45.922682
• Title: Bayes-DIC Net: Estimating Digital Image Correlation Uncertainty with Bayesian Neural Networks
• Title（参考訳）: Bayes-DIC Net:ベイズニューラルネットワークによるディジタル画像相関の不確かさの推定
• Authors: Biao Chen, Zhenhua Lei, Yahui Zhang, Tongzhi Niu,
• Abstract要約: 本稿では,非一様B-スプライン面に基づく高品質デジタル画像相関(DIC)データセットを生成する新しい手法を提案する。 制御点座標をランダムに生成することにより、様々な現実的な変位シナリオを含む変位場を構築する。 このアプローチにより、現実世界の変位場をキャプチャする大規模なデータセットの生成が可能になる。
• 参考スコア（独自算出の注目度）: 3.439594847778412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a novel method for generating high-quality Digital Image Correlation (DIC) dataset based on non-uniform B-spline surfaces. By randomly generating control point coordinates, we construct displacement fields that encompass a variety of realistic displacement scenarios, which are subsequently used to generate speckle pattern datasets. This approach enables the generation of a large-scale dataset that capture real-world displacement field situations, thereby enhancing the training and generalization capabilities of deep learning-based DIC algorithms. Additionally, we propose a novel network architecture, termed Bayes-DIC Net, which extracts information at multiple levels during the down-sampling phase and facilitates the aggregation of information across various levels through a single skip connection during the up-sampling phase. Bayes-DIC Net incorporates a series of lightweight convolutional blocks designed to expand the receptive field and capture rich contextual information while minimizing computational costs. Furthermore, by integrating appropriate dropout modules into Bayes-DIC Net and activating them during the network inference stage, Bayes-DIC Net is transformed into a Bayesian neural network. This transformation allows the network to provide not only predictive results but also confidence levels in these predictions when processing real unlabeled datasets. This feature significantly enhances the practicality and reliability of our network in real-world displacement field prediction tasks. Through these innovations, this paper offers new perspectives and methods for dataset generation and algorithm performance enhancement in the field of DIC.
• Abstract（参考訳）: 本稿では,非一様B-スプライン面に基づく高品質デジタル画像相関(DIC)データセットを生成する新しい手法を提案する。 制御点座標をランダムに生成することにより、様々な現実的な変位シナリオを含む変位場を構築し、後にスペックルパターンデータセットを生成する。 このアプローチにより、現実世界の変位場をキャプチャする大規模データセットの生成が可能となり、ディープラーニングベースのDICアルゴリズムのトレーニングと一般化能力が向上する。 さらに、ダウンサンプリングフェーズ中に複数のレベルから情報を抽出し、アップサンプリングフェーズ中に1つのスキップ接続を介して様々なレベルにわたる情報の集約を容易にする新しいネットワークアーキテクチャ、Bayes-DIC Netを提案する。 Bayes-DIC Netは、受容領域を拡張し、計算コストを最小化しながらリッチなコンテキスト情報を取得するように設計された、一連の軽量な畳み込みブロックを組み込んでいる。 さらに、適切なドロップアウトモジュールをベイズ-DICネットに統合し、ネットワーク推論段階で活性化することにより、ベイズ-DICネットはベイズニューラルネットワークに変換される。 この変換により、実際のラベル付けされていないデータセットを処理する際に、ネットワークは予測結果だけでなく、これらの予測の信頼性レベルも提供できる。 この機能は実世界の変位場予測タスクにおけるネットワークの実用性と信頼性を著しく向上させる。 これらのイノベーションを通じて,DIC分野におけるデータセット生成とアルゴリズム性能向上のための新たな視点と手法を提供する。

関連論文リスト

• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
  本稿では,PE-GNNと量子ニューラルネットワーク,部分的に単調なニューラルブロック,ポストホックリカレーション技術を組み合わせた新しいフレームワークを提案する。 PE-GQNNは、ターゲット分布に関する最小の仮定で柔軟で堅牢な条件密度推定を可能にし、空間データを超えたタスクに自然に拡張する。
  論文  参考訳（メタデータ） (2024-09-27T16:02:12Z)
• Multiscale Graph Neural Network Autoencoders for Interpretable Scientific Machine Learning [0.0]
  この研究の目的は、オートエンコーダベースのモデルにおいて、潜在空間解釈可能性と非構造化メッシュとの互換性という2つの制限に対処することである。 これは、複雑な流体流れのアプリケーションのデモを含む、新しいグラフニューラルネットワーク(GNN)自動エンコーディングアーキテクチャの開発によって達成される。
  論文  参考訳（メタデータ） (2023-02-13T08:47:11Z)
• Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
  ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。 ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-02-14T07:01:01Z)
• 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)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
  現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。 現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。 トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-16T18:39:04Z)
• Multi-Subspace Neural Network for Image Recognition [33.61205842747625]
  画像分類タスクでは, 特徴抽出は常に大きな問題であり, クラス内変動により抽出器の設計が困難になる。 近年、ディープラーニングはデータから機能を自動的に学習することに多くの注意を払っている。 本研究では,畳み込みニューラルネットワーク(CNN)のキーコンポーネントをサブスペースの概念と組み合わせたマルチサブスペースニューラルネットワーク(MSNN)を提案する。
  論文  参考訳（メタデータ） (2020-06-17T02:55:34Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。