1、3D Convolutional Neural Networks for Dendrite Segmentation Using Fine-Tuning and Hyperparameter Optimization
https://arxiv.org/pdf/2205.01167
Jim James, Nathan Pruyne, Tiberiu Stan, Marcus Schwarting, Jiwon Yeom, Seungbum Hong, Peter Voorhees, Ben Blaiszik, Ian Foster
樹狀微結構在自然界中普遍存在，也是金屬材料中主要的凝固形態。 手動識別顯微鏡X 射線斷層掃描 (XCT) 等技術的圖像可能既費力又可能不明確。 3D 數據集的分析在現階段變得特別具有挑戰性，因爲它們的大小（TB）很大，並且存在散佈在成像體積內的僞影。論文訓練了 3D 卷積神經網絡 (CNN) 來分割 3D 數據集。並研究了三種 CNN 架構，包括新的 3D 版本的 FCDense。結果表明，使用超參數優化 (HPO) 和微調技術，訓練 2D 和 3D CNN 架構可以超越之前的技術水平。本研究中訓練的 3D U-Net 架構根據定量指標產生了最佳分割（像素精度爲 99.84%，邊界位移誤差爲 0.58 像素），而 3D FCDense 根據視覺檢查產生了最平滑的邊界和最佳分割.訓練的 3D CNN 能夠在大約 60 秒內分割整個 852 x 852 x 250 體素 3D 體積，從而加快了對相變現象（例如樹枝狀凝固）的更深入理解的進展。
2、DH-Net: Deformed Microstructure Homogenization via 3D Convolutional Neural Networks(arXiv)
https://arxiv.org/pdf/2201.09672
Hao Peng, An Liu, Jingcheng Huang, Jikai Liu, Lin Lu
隨着製造耶的快速發展，微結構引起了學術界和工業界的關注。作爲分析微觀結構力學行爲的一種有效方法，均質化方法在文獻中得到了很好的研究。對於需要高度重複計算的拓撲優化，經典的均質化方法計算成本很高。當微觀結構從規則立方變形時，因其計算成本更高，會導致虛擬均勻材料性能的變化。爲了克服這個問題，論文入了一個可以預測變形微結構的均質特性的 3D CNN ，稱爲 DH-Net 。 在基於最小勢能的損失函數中，將宏觀應變視爲常數。因此，DH-Net比現有的基於均方損失函數的深度學習方法是無標籤的並且具有更高的計算效率。論文應用了形狀-材料變換，將具有各向同性材料的變形微結構可以雙向轉化爲具有變換基礎材料的規則結構，使 CNN 模型獲得了更友好的輸入數據。與標準同質化方法相比，DH-Net 可以數百倍的加速預測同質化屬性，甚至支持在線計算。並且它不需要標記數據集，因此在訓練處理中可以比當前的深度學習方法快得多。 DH-Net 可以預測均質材料特性和微機械特性，這對於現有的 DL 方法是不可用的。 DH-Net對於不同基材和不同類型微結構的推廣也被考慮在內
完整文章
https://avoid.overfit.cn/post/93d66d92ca934caabde02d97e2effaeb