論文の概要: Extremal Region Analysis based Deep Learning Framework for Detecting
Defects
- arxiv url: http://arxiv.org/abs/2003.08525v2
- Date: Sat, 23 May 2020 01:32:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 04:41:39.138648
- Title: Extremal Region Analysis based Deep Learning Framework for Detecting
Defects
- Title(参考訳): 極端領域解析に基づく欠陥検出のためのディープラーニングフレームワーク
- Authors: Zelin Deng, Xiaolong Yan, Shengjun Zhang, Colleen P. Bailey
- Abstract要約: 本稿では,最大安定極性領域(MSER)解析に基づく統一欠陥検出フレームワークのための畳み込みニューラルネットワーク(CNN)を提案する。
提案フレームワークは,MSERの汎用性と安定性を利用して,所望の欠陥候補を生成する。
- 参考スコア(独自算出の注目度): 1.2234742322758418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A maximally stable extreme region (MSER) analysis based convolutional neural
network (CNN) for unified defect detection framework is proposed in this paper.
Our proposed framework utilizes the generality and stability of MSER to
generate the desired defect candidates. Then a specific trained binary CNN
classifier is adopted over the defect candidates to produce the final defect
set. Defect datasets over different categories \blue{are used} in the
experiments. More generally, the parameter settings in MSER can be adjusted to
satisfy different requirements in various industries (high precision, high
recall, etc). Extensive experimental results have shown the efficacy of the
proposed framework.
- Abstract(参考訳): 本稿では,最大安定極性領域(MSER)解析に基づく統一欠陥検出フレームワークのための畳み込みニューラルネットワーク(CNN)を提案する。
提案フレームワークは,MSERの汎用性と安定性を利用して,所望の欠陥候補を生成する。
そして、欠陥候補に対して特定の訓練済みバイナリcnn分類器を採用し、最終欠陥セットを生成する。
さまざまなカテゴリの欠陥データセットが,実験で使用されている。
より一般的に、MSERのパラメータ設定は、様々な業界(高精度、高いリコールなど)の異なる要件を満たすように調整できる。
広範な実験結果から,提案手法の有効性が示された。
関連論文リスト
- Subject-specific Deep Neural Networks for Count Data with
High-cardinality Categorical Features [1.2289361708127877]
本稿では,ポアソンディープニューラルネットワークにガンマランダム効果を導入するための新しい階層的確率学習フレームワークを提案する。
提案手法は,固定パラメータの最大極大推定器とランダム効果の最適非バイアス予測器を同時に生成する。
最先端のネットワークアーキテクチャは、提案されたh-likelihoodフレームワークに容易に実装できる。
論文 参考訳(メタデータ) (2023-10-18T01:54:48Z) - Deep Neural Networks for Semiparametric Frailty Models via H-likelihood [0.0]
本稿では、時間-時間データの予測のための新しいディープニューラルネットワークベースの脆弱性(DNN-FM)を提案する。
新しいh-likelihoodモデルの合同推定器は、固定パラメータの最大値と、ランダムな欠陥の最良の非バイアス予測器を提供する。
論文 参考訳(メタデータ) (2023-07-13T06:46:51Z) - Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。
よりスムーズな関数との補間により、より一般化できることを示す。
論文 参考訳(メタデータ) (2023-05-30T19:37:44Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳(メタデータ) (2023-05-17T17:47:19Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳(メタデータ) (2023-03-25T08:56:21Z) - CNN-DST: ensemble deep learning based on Dempster-Shafer theory for
vibration-based fault recognition [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)とDempster-Shafer理論(DST)に基づくアンサンブル深層学習フレームワークを提案する。
提案したCNN-DSTフレームワークを検証するために,多結晶ニッケル合金第一段タービンブレードのブロードバンド振動応答を用いて作成した実験データセットに適用した。
提案したCNN-DSTフレームワークはタービンブレードを平均予測精度97.19%で分類する。
論文 参考訳(メタデータ) (2021-10-14T07:34:27Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳(メタデータ) (2020-12-03T10:17:30Z) - Ramifications of Approximate Posterior Inference for Bayesian Deep
Learning in Adversarial and Out-of-Distribution Settings [7.476901945542385]
ベイジアン深層学習モデルが従来のニューラルネットワークよりわずかに優れていることを示す。
予備的な調査は、初期化、アーキテクチャ、アクティベーション関数の選択によるバイアスの潜在的固有の役割を示している。
論文 参考訳(メタデータ) (2020-09-03T16:58:15Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳(メタデータ) (2020-06-25T12:42:01Z) - Bayesian Neural Networks With Maximum Mean Discrepancy Regularization [13.97417198693205]
画像分類タスクを含む複数のベンチマークにおいて,BNNの精度が向上することを示す。
また, ある予測に対する不確実性を推定するための新しい定式化を行い, 敵の攻撃に対してより堅牢な行動を示す。
論文 参考訳(メタデータ) (2020-03-02T14:54:48Z)
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。