論文の概要: FabricNet: A Fiber Recognition Architecture Using Ensemble ConvNets
- arxiv url: http://arxiv.org/abs/2101.05564v1
- Date: Thu, 14 Jan 2021 12:11:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 00:56:53.528261
- Title: FabricNet: A Fiber Recognition Architecture Using Ensemble ConvNets
- Title（参考訳）: FabricNet: Ensemble ConvNetsを用いたファイバ認識アーキテクチャ
- Authors: Abu Quwsar Ohi, M. F. Mridha, Md. Abdul Hamid, Muhammad Mostafa
Monowar, Faris A Kateb
- Abstract要約: 画像に基づく繊維認識システムの先駆的なアプローチであるFabricNetを提案します。
FabricNetは、布の表面画像のみを利用することで、大規模な繊維を認識できる。
本実験は50種類の繊維繊維を識別する実験である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fabric is a planar material composed of textile fibers. Textile fibers are
generated from many natural sources; including plants, animals, minerals, and
even, it can be synthetic. A particular fabric may contain different types of
fibers that pass through a complex production process. Fiber identification is
usually carried out through chemical tests and microscopic tests. However,
these testing processes are complicated as well as time-consuming. We propose
FabricNet, a pioneering approach for the image-based textile fiber recognition
system, which may have a revolutionary impact from individual to the industrial
fiber recognition process. The FabricNet can recognize a large scale of fibers
by only utilizing a surface image of fabric. The recognition system is
constructed using a distinct category of class-based ensemble convolutional
neural network (CNN) architecture. The experiment is conducted on recognizing
50 different types of textile fibers. This experiment includes a significantly
large number of unique textile fibers than previous research endeavors to the
best of our knowledge. We experiment with popular CNN architectures that
include Inception, ResNet, VGG, MobileNet, DenseNet, and Xception. Finally, the
experimental results demonstrate that FabricNet outperforms the
state-of-the-art popular CNN architectures by reaching an accuracy of 84% and
F1-score of 90%.
- Abstract（参考訳）: 織物は繊維繊維からなる平面材である。
繊維は植物、動物、鉱物など多くの天然資源から作られており、合成も可能である。
特定の布地は、複雑な製造工程を通過する異なる種類の繊維を含むことができる。
繊維の識別は通常化学検査と顕微鏡検査によって行われる。
しかしながら、これらのテストプロセスは複雑であり、時間を要する。
本稿では,画像ベース繊維認識システムの先駆的アプローチであるFabricNetを提案する。
FabricNetは、布の表面画像のみを利用することで、大規模な繊維を認識できる。
認識システムは、クラスベースアンサンブル畳み込みニューラルネットワーク(CNN)アーキテクチャの異なるカテゴリを用いて構築される。
本実験は50種類の繊維繊維を識別する実験である。
この実験には、これまでの研究成果よりもはるかに多くのユニークな繊維が含まれています。
我々は、inception、resnet、vgg、mobilenet、dungnet、xceptionを含む人気のあるcnnアーキテクチャを実験する。
最後に、実験の結果、FabricNetは84%、F1スコア90%の精度で最先端のCNNアーキテクチャより優れていることが示された。
関連論文リスト
- FabricDiffusion: High-Fidelity Texture Transfer for 3D Garments Generation from In-The-Wild Clothing Images [56.63824638417697]
ファブリックディフュージョン(FabricDiffusion)は、織物のテクスチャを1枚の衣服画像から任意の形状の3D衣服に転送する方法である。
FabricDiffusionは、テクスチャパターン、材料特性、詳細な印刷物やロゴを含む、単一の衣料品画像から様々な特徴を伝達できることを示す。
論文 参考訳（メタデータ） (2024-10-02T17:57:12Z) - Real-time Neural Woven Fabric Rendering [14.607361649955116]
織物はリアルなレンダリングの応用に広く使われている。
リアルな織物をリアルタイムでレンダリングするのは 複雑な構造と光学的外観のため 困難です
異なる種類の織物を異なるスケールで表現する軽量ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-04T06:14:17Z) - TextileNet: A Material Taxonomy-based Fashion Textile Dataset [18.178308615950026]
繊維素材の識別と分類は、ファッション繊維分野において重要な役割を担っている。
ファブリック素材, 分類, ファブリック分類に基づくファブリックファブリックテキスタイルネットを構築した。
TextileNetは、繊維材料の最先端ディープラーニングモデルのトレーニングと評価に使用することができる。
論文 参考訳（メタデータ） (2023-01-15T19:02:18Z) - Certification of non-classicality in all links of a photonic star
network without assuming quantum mechanics [52.95080735625503]
完全なネットワーク非局所性は、少なくとも1つの情報源が古典的であるモデルに偽装することで、ネットワークの標準的な非局所性を超えている。
本報告では,3つの独立したフォトニック量子ビット源と3量子絡み合せスワッピング測定を備えた星型ネットワークにおける全ネットワーク非局所性の観測について報告する。
論文 参考訳（メタデータ） (2022-12-19T19:00:01Z) - Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。
我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。
SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-10-23T18:37:22Z) - Deep fiber clustering: Anatomically informed fiber clustering with
self-supervised deep learning for fast and effective tractography
parcellation [22.754116315299182]
白色物質繊維クラスタリングのための新しいディープラーニングフレームワーク,Deep Fiber Clustering (DFC)を提案する。
DFCは、教師なしクラスタリング問題をドメイン固有のプレテキストタスクを用いて自己教師付き学習タスクとして解決し、ペアワイズファイバ距離を予測する。
実験により、クラスタのコンパクト性、一般化能力、解剖学的コヒーレンス、計算効率の観点から、DFCの優れた性能が示された。
論文 参考訳（メタデータ） (2022-05-02T02:41:02Z) - NRST: Non-rigid Surface Tracking from Monocular Video [97.2743051142748]
モノクロRGBビデオからの非剛性表面追跡の効率的な手法を提案する。
ビデオとテンプレートメッシュが与えられた場合、我々のアルゴリズムはテンプレートをフレーム毎に非厳密に登録する。
以上の結果から, 汎用テクスチャ非剛体および単色織物に対する本手法の有効性が示された。
論文 参考訳（メタデータ） (2021-07-06T06:06:45Z) - NeuMIP: Multi-Resolution Neural Materials [98.83749495351627]
NeuMIPは、さまざまなスケールでさまざまな材料外観を表現およびレンダリングするためのニューラルメソッドです。
従来のミップマップピラミッドを、完全に接続されたネットワークと組み合わせて、神経テクスチャのピラミッドに一般化する。
テッセルレーションを伴わずに複雑なパララックス効果を持つ材料をレンダリングできる新しい手法であるニューラルオフセットも導入する。
論文 参考訳（メタデータ） (2021-04-06T21:22:22Z) - A reusable pipeline for large-scale fiber segmentation on unidirectional
fiber beds using fully convolutional neural networks [68.8204255655161]
我々は,X線X線CTファイバーベッド内のファイバーを検出するためのオープンな計算パイプラインを提案する。
これらのサンプルの繊維を分離するために、完全畳み込みニューラルネットワークの4つの異なるアーキテクチャをテストした。
ニューラルネットワークのアプローチを半監視方式と比較すると、DiceとMatthewsの係数は92.28 pm 9.65%以上となり、最大98.42 pm 0.03 %$に達した。
論文 参考訳（メタデータ） (2021-01-13T00:58:29Z) - Fabric Surface Characterization: Assessment of Deep Learning-based
Texture Representations Using a Challenging Dataset [12.747154890227721]
我々は、大規模で挑戦的な顕微鏡材料表面データセット(CoMMonS)を導入する。
次に,CoMMonSを用いたテクスチャ分類のための最先端深層学習手法の総合評価を行う。
以上の結果から,Multerは材料評価のためのCoMMonSデータセットだけでなく,MINC-2500やGTOS-mobileなどの既存のデータセットにも高い精度が得られることがわかった。
論文 参考訳（メタデータ） (2020-03-16T05:37:06Z)
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。