論文の概要: Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet Networks

• arxiv url: http://arxiv.org/abs/2011.04121v2
• Date: Tue, 10 Nov 2020 04:20:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 23:57:00.124977
• Title: Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet Networks
• Title（参考訳）: トリプレットネットワークを用いた産業用表面の距離ベース異常検出
• Authors: Tareq Tayeh, Sulaiman Aburakhia, Ryan Myers, and Abdallah Shami
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.7173993697663086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface anomaly detection plays an important quality control role in many manufacturing industries to reduce scrap production. Machine-based visual inspections have been utilized in recent years to conduct this task instead of human experts. In particular, deep learning Convolutional Neural Networks (CNNs) have been at the forefront of these image processing-based solutions due to their predictive accuracy and efficiency. Training a CNN on a classification objective requires a sufficiently large amount of defective data, which is often not available. In this paper, we address that challenge by training the CNN on surface texture patches with a distance-based anomaly detection objective instead. A deep residual-based triplet network model is utilized, and defective training samples are synthesized exclusively from non-defective samples via random erasing techniques to directly learn a similarity metric between the same-class samples and out-of-class samples. Evaluation results demonstrate the approach's strength in detecting different types of anomalies, such as bent, broken, or cracked surfaces, for known surfaces that are part of the training data and unseen novel surfaces.
• Abstract（参考訳）: 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。 近年,人間ではなく機械による視覚検査が採用されている。 特に、ディープラーニング畳み込みニューラルネットワーク(cnns)は、その予測精度と効率性から、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。 分類対象のCNNをトレーニングするには十分な量の欠陥データが必要であるが、しばしば利用できない。 本稿では,cnnを距離に基づく異常検出目標を用いて表面テクスチャパッチでトレーニングすることで,その課題を解決する。 深部残留型三重項ネットワークモデルを用いて、非欠陥サンプルからランダム消去技術を用いて欠陥学習サンプルのみを合成し、同一クラスサンプルと外部サンプルとの類似度メトリックを直接学習する。 実験結果から, トレーニングデータの一部であり, 未知表面である既知の表面に対して, 曲げ, 破壊面, ひび割れ面などの異なる種類の異常を検出する際のアプローチの強さが示された。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Unsupervised textile defect detection using convolutional neural networks [0.0]
  教師なし繊維異常検出のためのモチーフに基づく新しい手法を提案する。 従来の畳み込みニューラルネットワークの利点と教師なし学習パラダイムの利点を組み合わせる。 パターンファブリクスベンチマークデータセットに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-30T22:08:06Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Teacher-Student Network for 3D Point Cloud Anomaly Detection with Few Normal Samples [21.358496646676087]
  教師による3次元異常検出のための構造化モデルの設計を行う。 具体的には、特徴空間アライメント、次元ズーム、最大プールを用いて点雲の特徴を抽出する。 本手法では,学生ネットワークを学習するために,ごくごく普通のサンプルしか必要としない。
  論文  参考訳（メタデータ） (2022-10-31T12:29:55Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Few-shot incremental learning in the context of solar cell quality inspection [0.0]
  本研究では,太陽電池品質検査における重量印字技術について検討した。 その結果、この手法により、少数のサンプルで欠陥クラスに関する知識をネットワークが拡張できることが判明した。
  論文  参考訳（メタデータ） (2022-07-01T23:52:07Z)
• TL-SDD: A Transfer Learning-Based Method for Surface Defect Detection with Few Samples [17.884998028369026]
  表面欠陥検出のための新しいトランスファーラーニング法TL-SDDを提案する。 我々は、共通の欠陥クラスから稀な欠陥クラスに知識を移すための2段階のトレーニングスキームを採用する。 基準法と比較すると, 稀な欠陥クラスに対して, 提案手法の性能は1.98%向上した。
  論文  参考訳（メタデータ） (2021-08-16T07:24:00Z)
• 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)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。