Fugu-MT 論文翻訳(概要): MLography: An Automated Quantitative Metallography Model for Impurities Anomaly Detection using Novel Data Mining and Deep Learning Approach

論文の概要: MLography: An Automated Quantitative Metallography Model for Impurities Anomaly Detection using Novel Data Mining and Deep Learning Approach

arxiv url: http://arxiv.org/abs/2003.04226v1
Date: Thu, 27 Feb 2020 15:17:03 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 08:33:06.521889
Title: MLography: An Automated Quantitative Metallography Model for Impurities Anomaly Detection using Novel Data Mining and Deep Learning Approach
Title（参考訳）: MLography:新しいデータマイニングとディープラーニングアプローチを用いた不純物異常検出のための自動定量メタログラフィーモデル
Authors: Matan Rusanovsky, Gal Oren, Sigalit Ifergane, Ofer Beeri
Abstract要約: 本研究は,MLography と呼ばれる異常検出のための最先端人工知能モデルの開発に焦点をあてる。各物体の異常度を、各物体がその近傍と比べて距離と大きさで定量化し、それぞれが自身の形状の異常によって定量化する。モデルの性能を提示し,いくつかの代表事例に基づいて解析する。
参考スコア（独自算出の注目度）: 0.5448283690603357
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The micro-structure of most of the engineering alloys contains some inclusions and precipitates, which may affect their properties, therefore it is crucial to characterize them. In this work we focus on the development of a state-of-the-art artificial intelligence model for Anomaly Detection named MLography to automatically quantify the degree of anomaly of impurities in alloys. For this purpose, we introduce several anomaly detection measures: Spatial, Shape and Area anomaly, that successfully detect the most anomalous objects based on their objective, given that the impurities were already labeled. The first two measures quantify the degree of anomaly of each object by how each object is distant and big compared to its neighborhood, and by the abnormally of its own shape respectively. The last measure, combines the former two and highlights the most anomalous regions among all input images, for later (physical) examination. The performance of the model is presented and analyzed based on few representative cases. We stress that although the models presented here were developed for metallography analysis, most of them can be generalized to a wider set of problems in which anomaly detection of geometrical objects is desired. All models as well as the data-set that was created for this work, are publicly available at: https://github.com/matanr/MLography.
Abstract（参考訳）: ほとんどの工学合金のマイクロ構造にはいくつかの包含物や沈殿物が含まれており、その特性に影響を与えうるため、それらの特徴付けが不可欠である。本研究では,合金中の不純物の異常度を自動的に定量化するMLographyという,最先端の人工知能モデルの開発に焦点をあてる。本研究の目的は,不純物が既にラベル付けされていることを踏まえ,その目的に基づいて最も異常な物体をうまく検出する空間的,形状的,面積的異常という,いくつかの異常検出手法を導入することである。最初の2つの測度は、それぞれの物体がその近傍よりも遠く、大きくなっているか、そしてそれぞれの形状の異常によって、各物体の異常の度合いを定量化する。最後の尺度は、前者2つを組み合わせることで、全ての入力画像の中で最も異常な領域をハイライトし、後の(物理的)検査を行う。モデルの性能を提示し,いくつかの代表事例に基づいて解析する。ここで述べたモデルはメタログラフィー解析のために開発されたが、そのほとんどは幾何学的対象の異常検出が望まれるより広い問題に一般化できると強調する。この作業のために作成されたすべてのモデルとデータセットは、https://github.com/matanr/MLography.comで公開されている。

関連論文リスト

AnomalyCD: A benchmark for Earth anomaly change detection with high-resolution and time-series observations [12.35831157851407]
AnomalyCD技術は、過去の正常な変化パターンから学習することで、異常な変化を特定することを学ぶ。 AnomalyCDMは効率を高めるための2段階のワークフローとして設計されており、見えない画像を直接処理することができる。
論文参考訳（メタデータ） (2024-09-09T14:47:57Z)
AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models [19.36513465638031]
AnomalyLLMは、いくつかのラベル付きサンプルの情報を統合して、数発の異常検出を実現する、コンテキスト内学習フレームワークである。 4つのデータセットの実験により、AnomalyLLMは、数発の異常検出のパフォーマンスを著しく改善できるだけでなく、モデルパラメータを更新することなく、新しい異常に対して優れた結果を得ることができることが明らかになった。
論文参考訳（メタデータ） (2024-05-13T10:37:50Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
論文参考訳（メタデータ） (2023-05-23T01:05:34Z)
Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文参考訳（メタデータ） (2023-03-09T05:52:42Z)
Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文参考訳（メタデータ） (2022-12-05T05:03:46Z)
Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。本稿では,オープンセット型教師付き異常検出に取り組む。
論文参考訳（メタデータ） (2022-03-28T05:21:37Z)
Domain-Generalized Textured Surface Anomaly Detection [29.88664324332402]
異常検出は、正常なデータから逸脱する異常なデータを特定することを目的としており、このタスクを実行するために十分な量の正常なデータを必要とする。本稿では,ドメイン一般化型表面異常検出の課題に対処する。我々のモデルは、テスト中にごく少数の正常なデータしか観測できない、見当たらないテクスチャ面に一般化されることが期待されている。
論文参考訳（メタデータ） (2022-03-23T10:01:35Z)
Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文参考訳（メタデータ） (2022-03-07T19:28:39Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
An End-to-End Computer Vision Methodology for Quantitative Metallography [0.716879432974126]
本研究は,異常検出のための総合的人工知能モデルを提案する。合金中の不純物の異常度を自動的に定量化する。モデルの性能を提示し,いくつかの代表事例に基づいて解析する。
論文参考訳（メタデータ） (2021-04-22T16:29:44Z)

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。