B-BACN: Bayesian Boundary-Aware Convolutional Network for Crack Characterization

要約

亀裂境界の正確な検出は、状態監視、予知、保守スケジュールなど、さまざまな目的にとって非常に重要です。
この問題に対処するために、正確で信頼性の高い欠陥境界検出を生成するために、不確実性の定量化と境界の洗練の両方の重要性を強調するベイジアン境界認識畳み込みネットワーク (B-BACN) を導入します。
私たちの検査モデルはマルチタスク学習アプローチを採用しており、モンテカルロ ドロップアウトを使用して認識論的不確実性を学習し、ガウス サンプリング関数を使用して各サンプルの偶然的不確実性を予測します。
さらに、欠陥境界の決定を強化するために、B-BACN に境界改良損失を含めます。
実験結果は、高精度で亀裂境界を特定し、誤分類率を最小限に抑え、モデルのキャリブレーション機能を改善する上で提案されたアプローチの有効性を示しています。

要約(オリジナル)

The accurate detection of crack boundaries is crucial for various purposes, such as condition monitoring, prognostics, and maintenance scheduling. To address this issue, we introduce a Bayesian Boundary-Aware Convolutional Network (B-BACN) that emphasizes the significance of both uncertainty quantification and boundary refinement to generate precise and reliable defect boundary detections. Our inspection model employs a multi-task learning approach, where we use Monte Carlo Dropout to learn the epistemic uncertainty and a Gaussian sampling function to predict each sample’s aleatoric uncertainty. Moreover, we include a boundary refinement loss to B-BACN to enhance the determination of defect boundaries. The experimental results illustrate the effectiveness of our proposed approach in identifying crack boundaries with high accuracy, minimizing misclassification rate, and improving model calibration capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google