杨珅さんの卒業をお祝いします！

杨珅さんは、安徽中医药大学で学士号を取得し、2019年入学のコンピューターアプリケーション技術の修士号を取得しました。韓越兴先生の指導のもと、主に材料画像のセグメンテーションについて研究しました。3年間の努力の結果、杨珅さんは複雑なテクスチャに特化した材料の微細構造のセグメンテーションと識別の手法を提案し、材料画像の小さなサンプル、データの分布の不均衡、複雑なテクスチャの問題に対して一定の貢献をしました。また、材料ジェノムデータベースの構築にも貢献しました。卒業後、杨珅さんは中興通信株式会社でワイヤレス製品の開発に従事する予定です。また、杨珅さんは読書や執筆を好み、積極的にサークル活動に参加し、興味深い優れた教師や学友と知り合いました。研究生活は山登りのようなもので、泣いたり笑ったり、疲れたりもしましたが、最終的には頂上に立ち、自分だけの特別な景色を見ることができました。将来の人生で常に情熱を持ち、勇敢に前に進んでいくことを願っています！

大学院生の間に働く

材料画像の中に存在する小さなサンプル、データ分布の不均衡、複雑なテクスチャの問題を解決するために、様々なディープラーニング技術を組み合わせ、材料画像の微細構造を自動的にセグメンテーションすることで、材料ジェノムデータベースの構築にデータの基盤を提供します。

1. 材料画像セグメンテーションにおける小さなサンプルの問題に対処するため、深層学習とスーパーピクセルに基づく材料画像セグメンテーション手法を提案しました。材料画像の類似したピクセルの特性を捉え、スーパーピクセルアルゴリズムを使用して矩形ブロックを取得することで、小さなサンプルの問題を解決しました。改良されたDenseNetでは、特徴強化モジュールを適用することでテクスチャ特徴を保持し、冗長な特徴の干渉を除去しました。また、設計されたトランジション層のアップサンプリング手法により、特徴マップ情報をより正確に復元することができました。

2. 材料画像中のデータ分布の不均衡に対処するため、2つの損失関数を使用して改善しました。分類タスクにおけるデータ分布の不均衡問題に対処するため、Focal損失に基づいてPrecison Focal損失を提案し、信頼度を精度に置き換えて、サンプルの分類の難しさをより正確に反映し、ネットワークにフィードバックしてトレーニングプロセスを最適化しました。セグメンテーションタスクにおけるデータ分布の不均衡問題に対処するため、Dice損失に基づいてCE-Dice損失を提案し、交差エントロピー損失とDice損失を組み合わせて、トレーニングプロセスをよりスムーズにし、セグメンテーション結果を最適化しました。

3. 複雑なテクスチャを持つ材料画像の正確なセグメンテーションを実現しました。第3章で提案された改良されたDenseNetは、重要なテクスチャ特徴を保持し、冗長な特徴が矩形ブロックの認識に干渉しないようにしました。第4章で提案された改良されたFCNは、テクスチャが類似した材料画像の正確なセグメンテーションを実現しました。カスケード特徴融合モジュールは、高層と低層の意味的特徴を統合し、多尺度学習モジュールは、微細な情報とグローバルなコンテキスト情報を深く掘り下げます。アテンション機構モジュールを使用して重要な特徴マップに注目し、資源配置を最適化し、3つのモジュールが相互補完的に機能します。

論文へのリンク：Research on segmentation and recognition methods for complex texture in material microstructures