論文の概要: A Novel Inspection System For Variable Data Printing Using Deep Learning

• arxiv url: http://arxiv.org/abs/2001.04325v1
• Date: Mon, 13 Jan 2020 15:07:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 23:24:42.062522
• Title: A Novel Inspection System For Variable Data Printing Using Deep Learning
• Title（参考訳）: ディープラーニングを用いた可変データ印刷のための新しい検査システム
• Authors: Oren Haik, Oded Perry, Eli Chen, Peter Klammer
• Abstract要約: 超低偽アラームレート(0.005%)で可変データプリント(VDP)を検査するための新しい手法を提案する。 このシステムは、参照画像と低コストスキャナーによってキャプチャされた画像の2つの画像の比較に基づいている。
• 参考スコア（独自算出の注目度）: 0.9176056742068814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel approach for inspecting variable data prints (VDP) with an ultra-low false alarm rate (0.005%) and potential applicability to other real-world problems. The system is based on a comparison between two images: a reference image and an image captured by low-cost scanners. The comparison task is challenging as low-cost imaging systems create artifacts that may erroneously be classified as true (genuine) defects. To address this challenge we introduce two new fusion methods, for change detection applications, which are both fast and efficient. The first is an early fusion method that combines the two input images into a single pseudo-color image. The second, called Change-Detection Single Shot Detector (CD-SSD) leverages the SSD by fusing features in the middle of the network. We demonstrate the effectiveness of the proposed deep learning-based approach with a large dataset from real-world printing scenarios. Finally, we evaluate our models on a different domain of aerial imagery change detection (AICD). Our best method clearly outperforms the state-of-the-art baseline on this dataset.
• Abstract（参考訳）: 本稿では,超低い誤報率 (0.005%) を持つ可変データプリント (vdp) を検査する新しい手法を提案する。 このシステムは2つの画像(参照画像と低コストスキャナーでキャプチャされた画像)の比較に基づいている。 この比較作業は、低コストなイメージングシステムが、誤って真の(遺伝的)欠陥として分類されるアーティファクトを作成するため、難しい。 この課題に対処するために、変更検出アプリケーションのための2つの新しい融合方法を紹介します。 1つ目は、2つの入力画像を単一の擬似カラー画像に結合する早期融合法である。 2つ目は、CD-SSD(Change-Detection Single Shot Detector)と呼ばれ、ネットワークの中央に機能を融合させることでSSDを活用する。 実世界の印刷シナリオから得られた膨大なデータセットを用いて,提案手法の有効性を示す。 最後に,航空画像変化検出(AICD)の異なる領域におけるモデルの評価を行った。 我々の最良の方法は、このデータセットの最先端のベースラインよりも明らかに優れている。

関連論文リスト

• Robust CLIP-Based Detector for Exposing Diffusion Model-Generated Images [13.089550724738436]
  拡散モデル(DM)は画像生成に革命をもたらし、様々な分野にまたがる高品質な画像を生成する。 超現実的画像を作成する能力は、現実的コンテンツと合成的コンテンツを区別する上で大きな課題となる。 この研究は、CLIPモデルによって抽出された画像とテキストの特徴をMLP(Multilayer Perceptron)分類器と統合する堅牢な検出フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-04-19T14:30:41Z)
• UCDFormer: Unsupervised Change Detection Using a Transformer-driven Image Translation [20.131754484570454]
  両時間画像の比較による変化検出(CD)は,リモートセンシングにおいて重要な課題である。 リモートセンシング画像に対する領域シフト設定による変更検出を提案する。 UCDFormerと呼ばれる軽量トランスを用いた新しい教師なしCD方式を提案する。
  論文  参考訳（メタデータ） (2023-08-02T13:39:08Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Semi-Siamese Network for Robust Change Detection Across Different Domains with Applications to 3D Printing [17.176767333354636]
  本稿では3Dプリンティングプロセスにおける欠陥検出のための新しいセミ・シームズ深層学習モデルを提案する。 本モデルは,撮像装置の摂動に対して頑健でありながら,異なる領域からの異種画像の比較を可能にするように設計されている。 われわれのモデルでは、欠陥ローカライズ予測は標準のMacBook Proを使って1層あたり半秒未満で行うことができ、F1スコアは0.9以上である。
  論文  参考訳（メタデータ） (2022-12-16T17:02:55Z)
• Revisiting Consistency Regularization for Semi-supervised Change Detection in Remote Sensing Images [60.89777029184023]
  教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。 2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
  論文  参考訳（メタデータ） (2022-04-18T17:59:01Z)
• Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
  本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。 従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。 本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
  論文  参考訳（メタデータ） (2022-03-30T11:44:56Z)
• AnoDFDNet: A Deep Feature Difference Network for Anomaly Detection [6.508649912734565]
  本稿では,畳み込みニューラルネットワークと視覚変換器を用いた高速列車画像の新たな異常検出(AD)手法を提案する。 提案手法は,同じ領域の異なる時間に撮影された2つの画像の異常な差を検出する。
  論文  参考訳（メタデータ） (2022-03-29T02:24:58Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
  Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。 本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。 最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
  論文  参考訳（メタデータ） (2021-04-20T05:43:44Z)
• D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and Localization [108.8592577019391]
  画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。 画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。 D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-03T10:54:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。