論文の概要: Deep Learning-Based Characterization of Detonation-Cell Size Distributions in Soot-Foil Records

• arxiv url: http://arxiv.org/abs/2607.03764v1
• Date: Sat, 04 Jul 2026 08:32:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.710029
• Title: Deep Learning-Based Characterization of Detonation-Cell Size Distributions in Soot-Foil Records
• Title（参考訳）: Detonation-Cell サイズ分布の深層学習による評価
• Abstract要約: 深層学習インスタンスセグメンテーション(Mask R-CNN)に基づくデトネーションセルの自動認識と高次特徴抽出手法を提案する。 その結果、ベンチマーク検証における高ピクセルレベルの一致と、複雑な現実世界のすすきのノイズに対する強靭性を示す。 提案手法は, 統計的解析の効率性と客観性を向上し, 実験用および数値用スズホイルのための強力なデータ抽出ツールを提供する。
• 参考スコア（独自算出の注目度）: 2.238128434525916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The geometric size and regularity of detonation cells are key physical parameters for characterizing detonation waves. Traditional manual measurement of soot foils is time-consuming and subjective, while existing computer vision techniques often exhibit poor generalization on real experimental images with high noise, blurred boundaries, and severe overlapping. To address this, we propose a novel method for automated recognition and high-order feature extraction of detonation cells based on deep learning instance segmentation (Mask R-CNN). By constructing a custom heterogeneous dataset (numerical simulations and physical experiments) and integrating transfer learning, the model achieves accurate pixel-level mask prediction within highly noisy flow fields. Results indicate high pixel-level agreement in benchmark validations and strong robustness against noise in complex real-world soot foils. Predicted average cell sizes agree well with manual measurements, yielding relative errors under 2% and 3.5% for regular and irregular conditions, respectively. Sensitivity ablation experiments confirm the model's scale adaptability and guided the establishment of a standardized preprocessing paradigm for appropriate image patching. Overcoming the limitation of extracting only global average sizes, this model achieves automated tracking of the transient spatial evolution of cell sizes along the propagation direction. Furthermore, it quantitatively extracts high-order regularity features, such as the irregularity index (RI) and standard deviation of cell deflection angles, demonstrating consistency with theoretical expectations. The proposed method enhances the efficiency and objectivity of statistical analysis, providing a powerful data extraction tool for experimental and numerical soot foils.
• Abstract（参考訳）: 起爆細胞の幾何学的大きさと規則性は、起爆波を特徴づける重要な物理パラメータである。 既存のコンピュータビジョン技術は、高ノイズ、ぼやけた境界、重重なりの強い実実験画像に対して、低い一般化を示すことが多い。 そこで本研究では,深層学習インスタンスセグメンテーション(Mask R-CNN)に基づくデトネーションセルの自動認識と高次特徴抽出手法を提案する。 独自のヘテロジニアスデータセット(数値シミュレーションと物理実験)を構築し、転送学習を統合することにより、高ノイズフローフィールド内で正確なピクセルレベルのマスク予測を実現する。 その結果、ベンチマーク検証における高ピクセルレベルの一致と、複雑な現実世界のすすきのノイズに対する強靭性を示す。 予測された平均細胞サイズは手動の測定値とよく一致し、通常の条件と不規則条件でそれぞれ2%以下の相対誤差と3.5%の誤差が生じる。 感度アブレーション実験により、モデルのスケール適応性が確認され、適切な画像パッチングのための標準化された前処理パラダイムの確立が導かれた。 このモデルは,グローバルな平均サイズのみを抽出することの限界を克服し,伝播方向に沿った細胞の大きさの過渡的な空間的進化を自動的に追跡する。 さらに、不規則指数(RI)や細胞偏向角の標準偏差などの高次規則性特徴を定量的に抽出し、理論的な期待値と整合性を示す。 提案手法は, 統計的解析の効率性と客観性を向上し, 実験用および数値用スズホイルのための強力なデータ抽出ツールを提供する。

関連論文リスト

• Accurate identification and measurement of the precipitate area by two-stage deep neural networks in novel chromium-based alloys [43.18932499199212]
  クロム系超合金の開発には, 沈殿量率と粒径分布の効率的な測定が必要である。 従来の固定閾値画像処理は背景雑音に敏感であり、材料全体の一般化が不十分であり、手作業による測定がかなり必要である。 本研究では,TOLOv5とSegFormerをベースとしたエンドツーエンド2段階深層学習方式DT-SegNetを提案する。
  論文  参考訳（メタデータ） (2026-06-20T15:50:58Z)
• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• Industrial Surface Defect Detection via Diffusion Generation and Asymmetric Student-Teacher Network [12.392157257527705]
  工業的な表面欠陥検出は、しばしば限られた欠陥サンプル、厳しい長い尾の分布、複雑な背景の下で微妙な欠陥を正確に局所化することの難しさに悩まされる。 本稿では,非対称な教師・学生アーキテクチャとDDPM(Denoising Diffusion Probabilistic Model)を統合した教師なし欠陥検出手法を提案する。
  論文  参考訳（メタデータ） (2026-04-21T08:47:32Z)
• Periodicity-Enforced Neural Network for Designing Deterministic Lateral Displacement Devices [4.743321030941228]
  本稿では, 周期層, ニューラルネットワークコンポーネントを組み込んだ周期性強化サロゲートモデリング手法を提案する。 提案手法は3つのサブネットワークを用いて, 臨界径や粒子軌道を直接予測するのではなく, 定常, 非次元速度, 圧力場を予測する。
  論文  参考訳（メタデータ） (2025-11-21T20:14:16Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• Adaptive Signal Analysis for Automated Subsurface Defect Detection Using Impact Echo in Concrete Slabs [0.0]
  本研究は,コンクリートスラブの地下欠陥発生領域を検出するための,新しい,自動化された,スケーラブルな手法を提案する。 このアプローチは、高度な信号処理、クラスタリング、および視覚分析を統合して、地下の異常を識別する。 結果は方法論の堅牢性を示し、最小限の偽陽性とほとんど欠陥のない欠陥発生領域を一貫して同定した。
  論文  参考訳（メタデータ） (2024-12-23T20:05:53Z)
• Distance Preserving Machine Learning for Uncertainty Aware Accelerator Capacitance Predictions [1.1776336798216411]
  ディープニューラルネットワークとガウス過程近似技術は有望な結果を示しているが、標準ディープニューラルネットワーク層による次元削減はガウス過程モデルに必要な距離情報を維持することが保証されていない。 本研究では, スペクトル正規化高密度層に対する特異値分解法を, ディープ・ニューラル・ガウス過程近似モデルの特徴抽出器として用いた。 本モデルでは, 距離保存の精度が向上し, 1%未満の誤差で分配容量を予測できる。
  論文  参考訳（メタデータ） (2023-07-05T15:32:39Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。