用于无损超声测试缺陷分类领域适应性的 GAN 及替代合成噪声生成方法

Jun, 2023

用于无损超声测试缺陷分类领域适应性的 GAN 及替代合成噪声生成方法

GANs and alternative methods of synthetic noise generation for domain adaption of defect classification of Non-destructive ultrasonic testing

PDF

Shaun McKnight, S. Gareth Pierce, Ehsan Mohseni, Christopher MacKinnon, Charles MacLeod...

TL;DR本文提出了四种唯一的数据生成方法解决了在复合材料组件的无损超声波检测过程中由于训练数据数量不足而导致的挑战，使用卷积神经网络进行训练，并在新的合成数据集上进行训练，取得了较好的实验数据分类效果。

Abstract

This work provides a solution to the challenge of small amounts of training data in non-destructive ultrasonic testing for composite components. It was demonstrated that direct simulation alone is ineffective at producing training data that was representative of the experimental domain

non-destructive ultrasonic testing synthetic data generation convolutional neural network defect identification experimental data

发现论文，激发创造

使用域随机化和生成对抗网络精化合成图像进行目标检测

该研究利用领域随机化和对抗生成网络在模拟环境中训练工业电器零件的近实时目标检测器。结果显示，使用合成图像和 GAN 翻译的图像进行训练可以在检测和分类一组工业电器零件中达到超过 0.95 的平均精度。

May, 2018

使用 GAN 进行合成数据增强，以提高自动化视觉检查的效果

本研究使用人工智能模型进行视觉质量检测，探讨了监督学习和非监督学习的缺陷检测技术以及数据增强技术，结果表明采用生成对抗网络进行数据增广可以获得最佳分类性能

Dec, 2022

用于小麦穗分割样本合成的改进 CycleGAN

使用深度学习模型结合生成对抗网络填补模拟数据与真实数据之间的差距，开发了逼真的、用于小麦苞片分割的合成数据集，并利用该数据集训练深度学习模型，取得了高达 83.4% 的 Dice 分数在内部数据集以及 79.6% 和 83.6% 的 Dice 分数在两个外部全局小麦苞头检测数据集上。该方法不仅适用于小麦苞片分割，还可以推广到其他作物类型或者具有重复、密集模式的图像，例如细胞成像。

Feb, 2024

使用数据模拟进行非监督噪声适应

本文提出利用生成式对抗网络实现深度神经网络的非监督噪声自适应问题，成功地解决了训练 - 测试数据集之间的偏差，提高了语音增强模型的性能。

Feb, 2023

远程感知图像中的数据增强和适应的条件生成对抗网络

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

通过使用模拟数据来减少数据采集和标记以进行缺陷检测

使用合成数据与未标注的真实数据进行训练可在较低成本下实现与标注真实数据相媲美甚至更好的缺陷检测结果。

Jun, 2024

利用 CycleGAN 和感知损失进行超声图像增强

通过开发一种 CycleGAN 模型，增强外科超声图像的感知损失方法，有效地解决了手持设备产生低质量图像的硬件限制以及非对齐输入超声图像配对的常见挑战，从而显著提高了医学图像技术。

Dec, 2023

通过 CycleGAN 将超声图像转换为伪解剖展示

通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。

Feb, 2022

领域转移的合成数据生成用于提高单目深度估计

基于 3D 合成环境和 CycleGAN 域转换的数据生成方法与常见的 NYUDepth V2 数据集相比，通过使用不同的真实和模拟数据集训练基于 DenseDepth 结构的深度估计模型，我们评估了模型在新采集的图像和 Husky 机器人的 LiDAR 深度数据上的性能，证明了 GAN 转换的数据在深度估计中可以作为有效的替代真实世界数据的方法。

May, 2024

缺陷 - GAN：用于自动缺陷检测的高保真缺陷合成

Defect-GAN 是一种自动缺陷合成网络，可生成逼真、多样化的缺陷样本以训练准确、健壮的缺陷检测网络，其采用一种新颖的基于细胞层的体系结构来生成具有不同纹理和外观的各种图像背景下逼真的缺陷，广泛的实验表明，Defect-GAN 能够合成各种缺陷，其生成的的缺陷样本在训练缺陷检测网络方面具有更好的效果。

Mar, 2021