論文の概要: Siamese Basis Function Networks for Defect Classification

• arxiv url: http://arxiv.org/abs/2012.01338v4
• Date: Wed, 9 Dec 2020 07:48:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 04:09:28.926074
• Title: Siamese Basis Function Networks for Defect Classification
• Title（参考訳）: siamese基底関数ネットワークによる欠陥分類
• Authors: Tobias Schlagenhauf, Faruk Yildirim, Benedikt Br\"uckner, J\"urgen Fleischer
• Abstract要約: The author introduced the use of so called Siamese Kernels in a Basis Function Network to create the Siamese Basis Function Network (SBF-Network)。 基本的な考え方は、類似度スコアを用いて比較によって分類することである。 カーネルは、データセット内の他のイメージとセンターを区別できるように、エンコーディングを生成するようにトレーニングされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Defect classification on metallic surfaces is considered a critical issue since substantial quantities of steel and other metals are processed by the manufacturing industry on a daily basis. The authors propose a new approach where they introduce the usage of so called Siamese Kernels in a Basis Function Network to create the Siamese Basis Function Network (SBF-Network). The underlying idea is to classify by comparison using similarity scores. This classification is reinforced through efficient deep learning based feature extraction methods. First, a center image is assigned to each Siamese Kernel. The Kernels are then trained to generate encodings in a way that enables them to distinguish their center from other images in the dataset. Using this approach the authors created some kind of class-awareness inside the Siamese Kernels. To classify a given image, each Siamese Kernel generates a feature vector for its center as well as the given image. These vectors represent encodings of the respective images in a lower-dimensional space. The distance between each pair of encodings is then computed using the cosine distance together with radial basis functions. The distances are fed into a multilayer neural network to perform the classification. With this approach the authors achieved outstanding results on the state of the art NEU surface defect dataset.
• Abstract（参考訳）: 金属表面の欠陥分類は、鉄鋼やその他の金属が日常的に製造産業によって処理されるため、重要な問題と考えられている。 筆者らは,samese基底関数ネットワーク(sbf-network)を構築するための基本関数ネットワークにおいて,いわゆるsiameseカーネルの利用を導入する新しいアプローチを提案する。 基本的な考え方は、類似度スコアを用いて分類することである。 この分類は、効率的な深層学習に基づく特徴抽出手法によって強化される。 まず、中央画像が各シームズカーネルに割り当てられる。 次にカーネルは、データセット内の他のイメージとセンターを区別する方法でエンコーディングを生成するように訓練される。 このアプローチを用いて、著者らはシームズ・カーネルの内部にある種のクラス認識を作成した。 与えられた画像を分類するために、各シームズカーネルはその中心と与えられた画像の特徴ベクトルを生成する。 これらのベクトルは、各画像の低次元空間における符号化を表す。 それぞれのエンコーディング間の距離は、放射基底関数と共に余弦距離を用いて計算される。 距離は、分類を行うために多層ニューラルネットワークに供給される。 このアプローチにより、著者らは art neu 表面欠陥データセットの状況において優れた結果を得た。

関連論文リスト

• Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
  実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。 本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-03T10:41:34Z)
• SI-GAT: A method based on improved Graph Attention Network for sonar image classification [0.0]
  本稿では,改良されたグラフ注意ネットワーク(GAT)に基づくソナー分類手法を提案する。 本手法は,色近接と空間近接の連成計算に基づいて,ノード間の相関関係を定量化する。 実データの検証を通じてユークリッド空間に基づくCNN(Convolutional Neural Network)手法よりも優れている。
  論文  参考訳（メタデータ） (2022-11-28T08:47:09Z)
• K-textures, a self supervised hard clustering deep learning algorithm for satellite images segmentation [2.266136669657824]
  そこで本研究では4バンド画像(RGB-NIR)の自己教師付きセグメンテーションを行うk-texturesアルゴリズムを提案する。 我々のアルゴリズムは、畳み込みニューラルネットワーク(CNN)と勾配降下を用いた離散探索が実現可能であることを示す。 本手法は,衛星画像セグメンテーションのためのトレーニングサンプルの作成を容易にすることを目的としている。
  論文  参考訳（メタデータ） (2022-05-18T00:51:53Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Deep ensembles in bioimage segmentation [74.01883650587321]
  本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。 アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。 提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2021-12-24T05:54:21Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• A new approach to descriptors generation for image retrieval by analyzing activations of deep neural network layers [43.77224853200986]
  本稿では,ディープニューラルネットワークを用いたコンテンツベース画像検索作業における記述子構築の問題点について考察する。 ネットワークの畳み込み部分のニューロンの総数は多く、その大部分が最終分類決定にほとんど影響を与えないことが知られている。 本稿では,最も重要なニューロン活性化を抽出し,その情報を利用して効果的な記述子を構築する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:53:10Z)
• Softmax-based Classification is k-means Clustering: Formal Proof, Consequences for Adversarial Attacks, and Improvement through Centroid Based Tailoring [3.0724051098062097]
  我々は,k平均クラスタリングと,ソフトマックスアクティベーション層に基づくニューラルネットワークの予測の関連性を証明する。 ニューラルネットワークの最後の層におけるソフトマックス関数の代替として,Centroid Based Tailoringを提案する。
  論文  参考訳（メタデータ） (2020-01-07T11:47:45Z)

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。