利用物理引导对抗网络生成人造数字图像相关数据集
图像与视频处理
2024-01-11 v3 机器学习
摘要
数字图像相关（DIC）已成为监测和评估裂纹试件力学实验的重要工具，但由于固有噪声与伪影，裂纹的自动检测通常较为困难。机器学习模型在以DIC测量的插值全场位移作为基于卷积的分割模型输入时，在检测裂纹路径与裂纹尖端方面极为成功。然而，训练此类模型需要大数据。但科学数据往往稀缺，因为实验昂贵且耗时。本工作中，我们提出一种直接生成大量裂纹试件人造位移数据的方法，其类似于真实的插值DIC位移。该方法基于生成对抗网络（GANs）。训练期间，判别器以导出的冯·米塞斯等效应变形式接收物理域知识。我们表明，与经典无引导GAN方法相比，这种物理引导方法在样本视觉质量、切片Wasserstein距离与几何分数方面均带来改进结果。
引用
@article{arxiv.2303.15939,
title = {Generating artificial digital image correlation data using physics-guided adversarial networks},
author = {David Melching and Erik Schultheis and Eric Breitbarth},
journal= {arXiv preprint arXiv:2303.15939},
year = {2024}
}