論文の概要: A Study on Evaluation Standard for Automatic Crack Detection Regard the Random Fractal

• arxiv url: http://arxiv.org/abs/2007.12082v1
• Date: Thu, 23 Jul 2020 15:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 12:50:07.709400
• Title: A Study on Evaluation Standard for Automatic Crack Detection Regard the Random Fractal
• Title（参考訳）: ランダムフラクタルを考慮した自動き裂検出のための評価基準の検討
• Authors: Hongyu Li, Jihe Wang, Yu Zhang, Zirui Wang, and Tiejun Wang
• Abstract要約: ディープラーニングに基づく自動き裂検出装置は、明らかに広く使われている平均精度(mAP)基準によって過小評価されている。 その結果, き裂検出の過小評価を補正するために, CovEval というフラクタル利用評価基準を提案する。 オブジェクト検出にいくつかの一般的なフレームワークを使用した実験では、CovEvalによると、モデルの方がクラック検出のスコアがはるかに高い。
• 参考スコア（独自算出の注目度）: 15.811209242988257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A reasonable evaluation standard underlies construction of effective deep learning models. However, we find in experiments that the automatic crack detectors based on deep learning are obviously underestimated by the widely used mean Average Precision (mAP) standard. This paper presents a study on the evaluation standard. It is clarified that the random fractal of crack disables the mAP standard, because the strict box matching in mAP calculation is unreasonable for the fractal feature. As a solution, a fractal-available evaluation standard named CovEval is proposed to correct the underestimation in crack detection. In CovEval, a different matching process based on the idea of covering box matching is adopted for this issue. In detail, Cover Area rate (CAr) is designed as a covering overlap, and a multi-match strategy is employed to release the one-to-one matching restriction in mAP. Extended Recall (XR), Extended Precision (XP) and Extended F-score (Fext) are defined for scoring the crack detectors. In experiments using several common frameworks for object detection, models get much higher scores in crack detection according to CovEval, which matches better with the visual performance. Moreover, based on faster R-CNN framework, we present a case study to optimize a crack detector based on CovEval standard. Recall (XR) of our best model achieves an industrial-level at 95.8, which implies that with reasonable standard for evaluation, the methods for object detection are with great potential for automatic industrial inspection.
• Abstract（参考訳）: 妥当な評価基準は効果的なディープラーニングモデルの構築の基盤となる。 しかし,深層学習に基づく自動き裂検出器は,広く用いられている平均平均精度(map)基準によって明らかに過小評価されていることがわかった。 本稿では,評価基準について検討する。 き裂のランダムなフラクタルは, フラクタルの特徴に対して, mAP計算における厳密なボックスマッチングが不合理であるため, mAP標準を無効にする。 その結果, き裂検出の過小評価を補正するために, CovEval というフラクタル利用評価基準を提案する。 covevalでは、ボックスマッチングをカバーするという考え方に基づいた、異なるマッチングプロセスがこの問題に採用されている。 詳細はカバーエリアレート(CAr)をカバーオーバーラップとして設計し、マルチマッチ戦略を用いてmAPにおける1対1のマッチング制限を解放する。 ひび割れ検知器を評価するために、拡張リコール(XR)、拡張精度(XP)、拡張Fスコア(Fext)を定義する。 オブジェクト検出にいくつかの一般的なフレームワークを使用した実験では、CovEvalによると、モデルの方がクラック検出のスコアがはるかに高い。 さらに,より高速なR-CNNフレームワークを用いて,CovEval標準に基づくクラック検出を最適化するケーススタディを提案する。 最適モデルのリコール(XR)は、95.8の工業レベルを達成するため、適切な評価基準により、オブジェクト検出の手法は、自動工業検査の大きな可能性を秘めている。

関連論文リスト

• AdvQDet: Detecting Query-Based Adversarial Attacks with Adversarial Contrastive Prompt Tuning [93.77763753231338]
  CLIP画像エンコーダを微調整し、2つの中間対向クエリに対して同様の埋め込みを抽出するために、ACPT(Adversarial Contrastive Prompt Tuning)を提案する。 我々は,ACPTが7つの最先端クエリベースの攻撃を検出できることを示す。 また,ACPTは3種類のアダプティブアタックに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-08-04T09:53:50Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• CFARnet: deep learning for target detection with constant false alarm rate [2.2940141855172036]
  CFAR制約検出器の枠組みを紹介する。 実際に、ニューラルネットワークを近似する深層学習フレームワークを開発した。 異なる設定での目標検出実験により、提案したCFARnetは、CFARと精度の間の柔軟なトレードオフを可能にすることが示された。
  論文  参考訳（メタデータ） (2022-08-04T05:54:36Z)
• Oversampling Divide-and-conquer for Response-skewed Kernel Ridge Regression [20.00435452480056]
  本研究では,分割・分散手法の限界を克服するために,新しい応答適応分割戦略を開発する。 提案手法は, 従来のダックKRR推定値よりも小さい平均二乗誤差(AMSE)を有することを示す。
  論文  参考訳（メタデータ） (2021-07-13T04:01:04Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• On Provable Backdoor Defense in Collaborative Learning [35.22450536986004]
  悪意のあるユーザは、モデルの収束を防ぐためにデータをアップロードしたり、隠れたバックドアを注入したりできる。 標準的なテストデータではモデルが正常に動作するため、バックドア攻撃は特に検出が難しいが、特定のバックドアキーによってトリガーされた場合、間違ったアウトプットが与えられる。 既存のサブセット集約メソッドを一般化する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-19T14:39:32Z)
• FADER: Fast Adversarial Example Rejection [19.305796826768425]
  近年の防御は, 異なる層表現における正統な訓練試料からの異常な偏差を検出することにより, 対向的堅牢性を向上させることが示されている。 本稿では,検出に基づく手法を高速化する新しい手法であるFADERを紹介する。 実験では,MNISTデータセットの解析値と比較すると,最大73倍の試作機,CIFAR10の最大50倍の試作機について概説した。
  論文  参考訳（メタデータ） (2020-10-18T22:00:11Z)
• Lower bounds in multiple testing: A framework based on derandomized proxies [107.69746750639584]
  本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。 これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
  論文  参考訳（メタデータ） (2020-05-07T19:59:51Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。