基于贝叶斯 SegNet 的语义分割：改进材料辐照中微观结构演变的解释
计算机视觉与模式识别
2025-06-06 v1 机器学习
摘要
理解辐照 LiAlO 颗粒微观结构演变与三体扩散、储存和释放之间的关系，可改善对三体产生可燃吸收棒性能的预测。给定来自辐照和未辐照颗粒的专家标注分割图像，我们训练深度卷积神经网络将图像分割为缺陷、晶粒和边界类。从这些分割图像中计算了定性微观结构信息，以便比较未辐照和辐照颗粒。我们测试了若干改进方法以提高模型灵敏度，包括将元数据纳入模型并利用不确定性量化。预测的分割与大多数微观结构资格方法（包括像素比例、缺陷面积和缺陷密度）的专家标注分割相似。总体而言，最佳模型在辐照和未辐照图像上的高性能指标显示，利用神经网络模型是替代专家标注图像的可行方案。
引用
@article{arxiv.2502.14184,
title = {Bayesian SegNet for Semantic Segmentation with Improved Interpretation of Microstructural Evolution During Irradiation of Materials},
author = {Marjolein Oostrom and Alex Hagen and Nicole LaHaye and Karl Pazdernik},
journal= {arXiv preprint arXiv:2502.14184},
year = {2025}
}