論文の概要: Automated rock joint trace mapping using a supervised learning model trained on synthetic data generated by parametric modelling
- arxiv url: http://arxiv.org/abs/2602.07590v1
- Date: Sat, 07 Feb 2026 15:37:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:24.7111
- Title: Automated rock joint trace mapping using a supervised learning model trained on synthetic data generated by parametric modelling
- Title（参考訳）: パラメトリックモデリングによる合成データに基づく教師付き学習モデルを用いた岩石継手トレースの自動マッピング
- Authors: Jessica Ka Yi Chiu, Tom Frode Hansen, Eivind Magnus Paulsen, Ole Jakob Mengshoel,
- Abstract要約: 本稿では,画像からの岩盤跡の自動マッピングのための地質学習手法を提案する。
この手法は、地質モデリング、合成データ生成、教師付きイメージセグメンテーションを組み合わせて、限られた実データとクラス不均衡に対処する。
- 参考スコア（独自算出の注目度）: 2.0299248281970956
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a geology-driven machine learning method for automated rock joint trace mapping from images. The approach combines geological modelling, synthetic data generation, and supervised image segmentation to address limited real data and class imbalance. First, discrete fracture network models are used to generate synthetic jointed rock images at field-relevant scales via parametric modelling, preserving joint persistence, connectivity, and node-type distributions. Second, segmentation models are trained using mixed training and pretraining followed by fine-tuning on real images. The method is tested in box and slope domains using several real datasets. The results show that synthetic data can support supervised joint trace detection when real data are scarce. Mixed training performs well when real labels are consistent (e.g. box-domain), while fine-tuning is more robust when labels are noisy (e.g. slope-domain where labels can be biased, incomplete, and inconsistent). Fully zero-shot prediction from synthetic model remains limited, but useful generalisation is achieved by fine-tuning with a small number of real data. Qualitative analysis shows clearer and more geologically meaningful joint traces than indicated by quantitative metrics alone. The proposed method supports reliable joint mapping and provides a basis for further work on domain adaptation and evaluation.
- Abstract（参考訳）: 本稿では,画像からの岩盤跡の自動マッピングのための地質学習手法を提案する。
この手法は、地質モデリング、合成データ生成、教師付きイメージセグメンテーションを組み合わせて、限られた実データとクラス不均衡に対処する。
まず, 離散フラクチャーネットワークモデルを用いて, パラメトリックモデリング, 継手持続性, 接続性, ノード型分布の保存により, 現場関連スケールで合成接合岩画像を生成する。
第二に、セグメンテーションモデルは混合トレーニングと事前訓練を使用して訓練され、続いて実画像の微調整が行われる。
この方法は、いくつかの実データを用いて、ボックスドメインとスロープドメインでテストされる。
その結果、実データが不足している場合に、合成データが教師付き継手追跡を支援できることが判明した。
ミックストレーニングは、実際のラベルが一貫性のある場合(例えばボックスドメイン)にうまく機能する一方で、ラベルがノイズの多い場合(例えば、ラベルがバイアス、不完全、一貫性のない場合)に微調整がより堅牢になる。
合成モデルからの完全なゼロショット予測は依然として限られているが、少数の実データを用いて微調整することで有用な一般化が達成されている。
定性的分析は、量的指標だけで示されるよりも明確で地質学的に意味のある関節の痕跡を示している。
提案手法は, 信頼性の高い関節マッピングをサポートし, ドメイン適応と評価のさらなる研究の基盤を提供する。
関連論文リスト
- Dataset Distillation for Pre-Trained Self-Supervised Vision Models [43.50190223507616]
データセットの蒸留は、モデルのトレーニングが実際のサンプルのより大きなデータセットでトレーニングされた同じモデルのパフォーマンスを再現するような、小さな合成画像のセットを見つけることを目的としている。
線形勾配マッチング(Linear Gradient Matching)と呼ばれる課題に対して,データセットの蒸留法を導入する。
提案手法は,すべての実像ベースラインを上回り,事前学習された視覚モデルに対して顕著に一般化する合成データを生成する。
論文 参考訳（メタデータ） (2025-11-20T18:59:57Z) - Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。
生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
論文 参考訳（メタデータ） (2025-10-16T03:37:16Z) - SingleStrip: learning skull-stripping from a single labeled example [1.54032564881154]
ドメインランダム化と自己学習を用いて3次元頭蓋骨切断ネットワークを訓練する。
ネットワークを微調整するために上位の擬似ラベルを選択する。
この戦略は、新しい解剖学的構造や新しいイメージング技術を含む研究の進行を遅らせるラベル付けの負担を軽減する可能性がある。
論文 参考訳（メタデータ） (2025-08-14T09:05:19Z) - Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。
本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。
経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
論文 参考訳（メタデータ） (2025-06-20T00:17:14Z) - Dataset Distillation with Probabilistic Latent Features [9.318549327568695]
合成データのコンパクトなセットは、下流の分類タスクにおける元のデータセットを効果的に置き換えることができる。
本稿では,潜在特徴の共分散をモデル化する新しい手法を提案する。
提案手法は,バックボーンアーキテクチャにまたがる最先端のクロスアーキテクチャ性能を実現する。
論文 参考訳（メタデータ） (2025-05-10T13:53:49Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - From Fake to Real: Pretraining on Balanced Synthetic Images to Prevent Spurious Correlations in Image Recognition [64.59093444558549]
我々はFrom Fake to Realと呼ぶシンプルで簡単に実装できる2段階のトレーニングパイプラインを提案する。
実データと合成データを別々にトレーニングすることで、FFRは実データと合成データの統計的差異にモデルを公開しない。
実験の結果,FFRは3つのデータセットに対して,最先端のグループ精度を最大20%向上させることがわかった。
論文 参考訳（メタデータ） (2023-08-08T19:52:28Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - 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) - CDCGen: Cross-Domain Conditional Generation via Normalizing Flows and
Adversarial Training [8.457436805755657]
本稿では,フローの正規化と,最大習熟度と逆習熟度を併用した移動学習に基づくフレームワークを提案する。
我々は、ソースドメイン(ラベルが利用可能)とターゲットドメイン(ラベルが利用できない)を個別の正規化フローでモデル化し、逆微分器を用いて共通の潜在空間にドメインアライメントを行う。
本手法は,属性変換による非自明な拡張を生成することで,ラベルスカースシステムにおける合成データ生成に特に有用であると考えられる。
論文 参考訳（メタデータ） (2021-08-25T17:55:14Z)
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。