B-BACN：用于裂纹表征的贝叶斯边界感知卷积网络
计算机视觉与模式识别
2023-06-16 v3 机器学习
摘要
准确检测裂纹边界对于结构与材料的可靠性评估及风险管理至关重要，例如结构健康监测、诊断、预测与维护调度。由于测量噪声、信号处理和模型简化等多种随机因素，裂纹检测的不确定性量化具有挑战性。提出了一种基于机器学习的方法，同时量化认知不确定性和偶然不确定性。我们引入了贝叶斯边界感知卷积网络(B-BACN)，强调不确定性感知的边界细化，以生成精确可靠的裂纹边界检测。该方法采用多任务学习策略，利用蒙特卡洛丢弃学习认知不确定性，并利用高斯采样函数预测每个样本的偶然不确定性。此外，我们在B-BACN中加入了边界细化损失以增强缺陷边界的判定。所提方法通过基准实验结果展示，并与几种现有方法比较。实验结果表明，我们提出的方法在不确定性感知裂纹边界检测、最小化误分类率以及提升模型校准能力方面均有效。
引用
@article{arxiv.2302.06827,
title = {B-BACN: Bayesian Boundary-Aware Convolutional Network for Crack Characterization},
author = {Rahul Rathnakumar and Yutian Pang and Yongming Liu},
journal= {arXiv preprint arXiv:2302.06827},
year = {2023}
}
备注
34 pages, 10 figures, 4 tables