論文の概要: The Automated Inspection of Opaque Liquid Vaccines
- arxiv url: http://arxiv.org/abs/2002.09406v1
- Date: Fri, 21 Feb 2020 16:45:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 01:38:25.385162
- Title: The Automated Inspection of Opaque Liquid Vaccines
- Title(参考訳): 不透明な液体ワクチンの自動検査
- Authors: Gregory Palmer, Benjamin Schnieders, Rahul Savani, Karl Tuyls,
Joscha-David Fossel, Harry Flore
- Abstract要約: 異常を含む20フレームビデオサンプルの可能性を予測するために3D-ConvNetsを訓練する。
自己学習のアプローチにより、217,888のサンプルをラベル付けすることでデータセットを拡張できます。
- 参考スコア(独自算出の注目度): 8.683940090609717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the pharmaceutical industry the screening of opaque vaccines containing
suspensions is currently a manual task carried out by trained human visual
inspectors. We show that deep learning can be used to effectively automate this
process. A moving contrast is required to distinguish anomalies from other
particles, reflections and dust resting on a vial's surface. We train
3D-ConvNets to predict the likelihood of 20-frame video samples containing
anomalies. Our unaugmented dataset consists of hand-labelled samples, recorded
using vials provided by the HAL Allergy Group, a pharmaceutical company. We
trained ten randomly initialized 3D-ConvNets to provide a benchmark, observing
mean AUROC scores of 0.94 and 0.93 for positive samples (containing anomalies)
and negative (anomaly-free) samples, respectively. Using Frame-Completion
Generative Adversarial Networks we: (i) introduce an algorithm for computing
saliency maps, which we use to verify that the 3D-ConvNets are indeed
identifying anomalies; (ii) propose a novel self-training approach using the
saliency maps to determine if multiple networks agree on the location of
anomalies. Our self-training approach allows us to augment our data set by
labelling 217,888 additional samples. 3D-ConvNets trained with our augmented
dataset improve on the results we get when we train only on the unaugmented
dataset.
- Abstract(参考訳): 製薬業界では、サスペンションを含む不透明なワクチンのスクリーニングは、現在、訓練された人間の視覚検査者が行う手作業である。
ディープラーニングは,このプロセスの効果的自動化に有効であることを示す。
動くコントラストは、ビアルの表面で休んでいる他の粒子、反射、塵と異常を区別するために必要である。
異常を含む20フレームビデオサンプルの可能性を予測するために3D-ConvNetsを訓練する。
HAL Allergy Group(HAL Allergy Group)が提供したバイアルを用いて,手延べサンプルを収録した。
ランダムに初期化した10個の3D-ConvNetを用いてベンチマークを行い, 正試料(異常を含む)に対する平均AUROCスコア0.94と0.93と負試料(異常のない)をそれぞれ観察した。
フレームコンプリート生成広告ネットワークを使用する。
i) 3D-ConvNetsが実際に異常を識別していることを検証するために,サリエンシマップの計算アルゴリズムを導入する。
(II) 複数ネットワークが異常位置について一致しているかどうかを判定するために, サリエンシマップを用いた新たな自己学習手法を提案する。
自己学習のアプローチにより、217,888のサンプルをラベル付けすることでデータセットを拡張できます。
強化データセットでトレーニングされた3D-ConvNetsは、未拡張データセットでのみトレーニングした時に得られる結果を改善します。
関連論文リスト
- 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳(メタデータ) (2023-08-29T17:58:55Z) - Severity classification of ground-glass opacity via 2-D convolutional
neural network and lung CT scans: a 3-day exploration [0.0]
グラウンドグラスの不透明度は、COVID-19や肺炎、肺線維症、結核など、多くの肺疾患の指標である。
本稿では,3日間にわたって実施,テストされた概念実証フレームワークについて,第3の課題である「COVID-19コンペティション」による実験的結果を示す。
課題の要件の一部として、このエクササイズ中に生成されたソースコードはhttps://github.com/lisatwyw/cov19.comに投稿されている。
論文 参考訳(メタデータ) (2023-03-23T22:35:37Z) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳(メタデータ) (2023-03-20T16:28:15Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - 3D Point Cloud Completion with Geometric-Aware Adversarial Augmentation [11.198650616143219]
本稿では,3Dポイントクラウド完了タスクにおけるニューラルネットワークの性能向上を図ることを目的とした。
本稿では, クリーンサンプルと逆サンプルの両方の性能向上に寄与する, 逆サンプルを生成する新しい手法を提案する。
実験結果から,本手法により作製した逆方向サンプルを用いたトレーニングは,ShapeNetデータセット上でのPCNの性能を効果的に向上することが示された。
論文 参考訳(メタデータ) (2021-09-21T13:16:46Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object
Detection [76.42897462051067]
3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。
教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。
本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
論文 参考訳(メタデータ) (2020-12-08T11:06:26Z) - Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet
Networks [2.7173993697663086]
表面異常検出はスクラップ生産を減らすために多くの製造業において重要な品質管理の役割を担っている。
ディープラーニング畳み込みニューラルネットワーク(CNN)は、これらの画像処理ベースのソリューションの最前線にある。
本稿では,この課題に対して,距離に基づく異常検出を目標とした表面テクスチャパッチ上でCNNをトレーニングすることで対処する。
論文 参考訳(メタデータ) (2020-11-09T00:35:21Z) - Semi-supervised deep learning based on label propagation in a 2D
embedded space [117.9296191012968]
提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。
本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。
ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
論文 参考訳(メタデータ) (2020-08-02T20:08:54Z)
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。