elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Group equivariant networks for leakage detection in vacuum bagging

Brauer, Christoph und Lorenz, Dirk und Tondji, Lionel (2022) Group equivariant networks for leakage detection in vacuum bagging. In: 30th European Signal Processing Conference, EUSIPCO 2022 - Proceedings, Seiten 1437-1441. IEEE. 2022 30th European Signal Processing Conference (EUSIPCO), 2022-08-29 - 2022-09-02, Belgrad, Serbien. doi: 10.23919/EUSIPCO55093.2022.9909715. ISBN 978-908279709-1. ISSN 2219-5491.

[img] PDF - Nur DLR-intern zugänglich
1MB

Offizielle URL: https://ieeexplore.ieee.org/document/9909715

Kurzfassung

The incorporation of prior knowledge into the ma-chine learning pipeline is subject of informed machine learning. Spatial invariances constitute a class of prior knowledge that can be taken into account especially in the design of model architectures or through virtual training examples. In this contribution, we investigate fully connected neural network architectures that are equivariant with respect to the dihedral group of order eight. This is practically motivated by the application of leakage detection in vacuum bagging which plays an important role in the manufacturing of fiber composite components. Our approach for the derivation of an equivariant architecture is constructive and transferable to other symmetry groups. It starts from a standard network architecture and results in a specific kind of weight sharing in each layer. In numerical experiments, we compare equivariant and standard networks on a novel leakage detection dataset. Our results indicate that group equivariant networks can capture the application specific prior knowledge much better than standard networks, even if the latter are trained on augmented data.

elib-URL des Eintrags:https://elib.dlr.de/189691/
Dokumentart:Konferenzbeitrag (Vortrag)
Zusätzliche Informationen:Open Access Version verfügbar unter https://eurasip.org/Proceedings/Eusipco/Eusipco2022/pdfs/0001437.pdf
Titel:Group equivariant networks for leakage detection in vacuum bagging
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Brauer, ChristophChristoph.Brauer (at) dlr.dehttps://orcid.org/0000-0003-2913-0768NICHT SPEZIFIZIERT
Lorenz, Dirkd.lorenz (at) tu-braunschweig.dehttps://orcid.org/0000-0002-7419-769XNICHT SPEZIFIZIERT
Tondji, Lionell.ngoupeyou-tondji (at) tu-braunschweig.dehttps://orcid.org/0000-0001-9992-9466NICHT SPEZIFIZIERT
Datum:18 Oktober 2022
Erschienen in:30th European Signal Processing Conference, EUSIPCO 2022 - Proceedings
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.23919/EUSIPCO55093.2022.9909715
Seitenbereich:Seiten 1437-1441
Verlag:IEEE
Name der Reihe:European Signal Processing Conference (EUSIPCO)
ISSN:2219-5491
ISBN:978-908279709-1
Status:veröffentlicht
Stichwörter:geometric deep learning, neural networks, equivariance, group symmetry
Veranstaltungstitel:2022 30th European Signal Processing Conference (EUSIPCO)
Veranstaltungsort:Belgrad, Serbien
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:29 August 2022
Veranstaltungsende:2 September 2022
Veranstalter :European Association For Signal Processing (EURASIP)
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Luftfahrt
HGF - Programmthema:Komponenten und Systeme
DLR - Schwerpunkt:Luftfahrt
DLR - Forschungsgebiet:L CS - Komponenten und Systeme
DLR - Teilgebiet (Projekt, Vorhaben):L - Produktionstechnologien
Standort: Stade
Institute & Einrichtungen:Institut für Faserverbundleichtbau und Adaptronik
Hinterlegt von: Brauer, Dr. Christoph
Hinterlegt am:07 Nov 2022 21:56
Letzte Änderung:24 Apr 2024 20:50

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.