![arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日](/simg/f/fb020348d55c0fbb9129702104facb46a48991f0.webp)
机构名称：
¥ 1.0
数字图像相关 (DIC) 已成为评估机械实验（尤其是疲劳裂纹扩展实验）的宝贵工具。评估需要裂纹路径和裂纹尖端位置的准确信息，但由于固有的噪声和伪影，这些信息很难获得。机器学习模型在识别标记的 DIC 位移数据时非常成功。为了训练具有良好泛化的稳健模型，需要大数据。然而，由于实验成本高昂且耗时，材料科学与工程领域的数据通常很少。我们提出了一种使用带有物理引导鉴别器的生成对抗网络生成合成 DIC 位移数据的方法。为了确定数据样本是真是假，该鉴别器还接收派生的 von Mises 等效应变。我们表明，这种物理引导方法可以提高样本的视觉质量、切片 Wasserstein 距离和几何分数。
arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日
主要关键词
![arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日PDF文件第1页](/bimg/b/b176db30648930cd64d6b929efdb02ff81a6a526.webp)
![arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日PDF文件第2页](/bimg/e/e599a8001954e663aaebb8a9a8dec4eec557eded.webp)
![arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日PDF文件第3页](/bimg/7/75b12806db84aaf79c4d4425f1692834d8e02dc4.webp)
![arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日PDF文件第4页](/bimg/b/bdd7d5a76183053990e814a6f67af1d3b18e44d0.webp)
![arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日PDF文件第5页](/bimg/8/8814a86b2e1ac9a6f8f26de78be396617ac8b3f6.webp)
相关文件推荐
![arXiv:2305.17666v1 [cs.NI] 2023 年 5 月 28 日](/simg/5/54564a57c3c5cfac9ab7803ef0527b7d1064a160.webp)
![arXiv:2309.13176v1 [cs.AI] 2023 年 9 月 22 日](/simg/6/64cc3a6d1140c561c8d315d5233ba6a650e51608.png)
![arXiv:2309.12727v1 [cs.AI] 2023 年 9 月 22 日](/simg/8/80831af7b3eb240bc15eda4d1c1bd00f2d6857b0.png)
![arXiv:2203.12173v2 [econ.GN] 2023 年 1 月 30 日](/simg/4/407d6f9de555835db6379f78fa94871eb176b92a.webp)
![arXiv:1611.09099v1 [cs.CV] 2016 年 11 月 28 日](/simg/1/1993bc7fb810e9d0ee2b7ac34d8eb07fb435dedf.webp)
![arXiv:2004.02730v2 [eess.SY] 2020 年 10 月 2 日](/simg/d/daf0cca9d89fed4d586eb67003133c1bb4c4d11e.webp)
![arXiv:2209.00552v2 [eess.SY] 2022 年 11 月 9 日](/simg/a/ad501ca2400f80a04ec171a96cc0f82c991ef29c.webp)
