Application of differential architecture in neural networks to improve reconstruction quality in ultrasound tomography
Fragment książki (Materiały konferencyjne)
MNiSW
200
konferencja
| Status: | |
| Autorzy: | Kulisz Monika, Kłosowski Grzegorz, Rymarczyk Tomasz, Niderla Konrad, Olszewski Paweł, Wójcik Dariusz |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Strony: | 602 - 603 |
| Web of Science® Times Cited: | 0 |
| Bazy: | Web of Science | Crossref | Google Scholar |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 23rd ACM Conference on Embedded Networked Sensor Systems |
| Skrócona nazwa konferencji: | 23rd SenSys 2025 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 6 maja 2025 do 9 maja 2025 |
| Miasto konferencji: | Irvine |
| Państwo konferencji: | STANY ZJEDNOCZONE |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| The study investigates the effectiveness of a differential neural network architecture in ultrasonic tomography (UST) for industrial applications. The proposed model employs a dual-branch structure, where each branch independently processes identical input data before passing the outputs to a differential layer. This approach enhances the model's ability to capture residual components, improving the reconstruction of tomographic images. Experiments were conducted using a tomographic system with 16 transducers, generating training and validation datasets. Comparative analysis between a differential LSTM-based network and a standard LSTM model demonstrated that the differential architecture achieved superior reconstruction quality. The results confirm that this approach enhances accuracy, sharpness, and overall image clarity, making it a promising solution for improving UST image reconstruction. |
