論文の概要: TLU-Net: A Deep Learning Approach for Automatic Steel Surface Defect
Detection
- arxiv url: http://arxiv.org/abs/2101.06915v1
- Date: Mon, 18 Jan 2021 07:53:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 15:56:42.365368
- Title: TLU-Net: A Deep Learning Approach for Automatic Steel Surface Defect
Detection
- Title(参考訳): TLU-Net:鉄鋼表面欠陥の自動検出のための深層学習手法
- Authors: Praveen Damacharla, Achuth Rao M. V., Jordan Ringenberg, and Ahmad Y
Javaid
- Abstract要約: ほとんどの鉄鋼製造業は、まだ手動視覚検査を使用しています。
転向学習に基づくu-netフレームワークを用いた鋼材欠陥検出手法を提案する。
- 参考スコア(独自算出の注目度): 3.9548535445908928
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual steel surface defect detection is an essential step in steel sheet
manufacturing. Several machine learning-based automated visual inspection (AVI)
methods have been studied in recent years. However, most steel manufacturing
industries still use manual visual inspection due to training time and
inaccuracies involved with AVI methods. Automatic steel defect detection
methods could be useful in less expensive and faster quality control and
feedback. But preparing the annotated training data for segmentation and
classification could be a costly process. In this work, we propose to use the
Transfer Learning-based U-Net (TLU-Net) framework for steel surface defect
detection. We use a U-Net architecture as the base and explore two kinds of
encoders: ResNet and DenseNet. We compare these nets' performance using random
initialization and the pre-trained networks trained using the ImageNet data
set. The experiments are performed using Severstal data. The results
demonstrate that the transfer learning performs 5% (absolute) better than that
of the random initialization in defect classification. We found that the
transfer learning performs 26% (relative) better than that of the random
initialization in defect segmentation. We also found the gain of transfer
learning increases as the training data decreases, and the convergence rate
with transfer learning is better than that of the random initialization.
- Abstract(参考訳): 視覚的鋼板表面欠陥検出は鋼板製造における必須ステップである。
近年,機械学習に基づく自動視覚検査(AVI)手法が研究されている。
しかし、ほとんどの製鋼業では、AVI法に関連するトレーニング時間や不正確さのために、手動の視覚検査が使われている。
自動鋼の欠陥検出法は、安価でより高速な品質制御とフィードバックに有用である。
しかし、セグメンテーションと分類のための注釈付きトレーニングデータを作成するのはコストがかかる。
本研究では,鋼表面欠陥検出にTransfer Learning-based U-Net(TLU-Net)フレームワークを提案する。
ベースとしてU-Netアーキテクチャを使用し、ResNetとDenseNetの2種類のエンコーダを探索する。
これらのネットの性能をランダム初期化とimagenetデータセットを用いてトレーニングした事前学習ネットワークを用いて比較する。
実験はSeverstalデータを用いて行われる。
その結果, 伝達学習は欠陥分類におけるランダム初期化よりも5%(絶対的)に優れることがわかった。
その結果,伝達学習は欠陥分割のランダム初期化よりも26%(相対的)に優れることがわかった。
また, 学習データの減少に伴い, 転校学習の利得は増加し, 転校学習による収束率はランダム初期化よりも優れていることがわかった。
- 全文 参考訳へのリンク
関連論文リスト
- Pushing the Limits of Simple Pipelines for Few-Shot Learning: External
Data and Fine-Tuning Make a Difference [74.80730361332711]
コンピュータビジョンにおいて、ほとんどショット学習は重要かつトピック的な問題である。
単純なトランスフォーマーベースのパイプラインは、標準ベンチマークで驚くほど優れたパフォーマンスが得られることを示す。
論文 参考訳(メタデータ) (2022-04-15T02:55:58Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳(メタデータ) (2021-12-31T10:03:47Z) - Recursive Least-Squares Estimator-Aided Online Learning for Visual
Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。
これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。
我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文 参考訳(メタデータ) (2021-12-28T06:51:18Z) - Self-Supervised Pre-Training for Transformer-Based Person
Re-Identification [54.55281692768765]
トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する
ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。
この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
論文 参考訳(メタデータ) (2021-11-23T18:59:08Z) - Benchmarking Detection Transfer Learning with Vision Transformers [60.97703494764904]
オブジェクト検出メソッドの複雑さは、ViT(Vision Transformer)モデルのような新しいアーキテクチャが到着するときに、ベンチマークを非簡単にする。
本研究では,これらの課題を克服し,標準的なVTモデルをMask R-CNNのバックボーンとして活用する訓練手法を提案する。
その結果,最近のマスキングに基づく教師なし学習手法は,COCOにおける説得力のあるトランスファー学習改善をもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2021-11-22T18:59:15Z) - Targeted Gradient Descent: A Novel Method for Convolutional Neural
Networks Fine-tuning and Online-learning [9.011106198253053]
畳み込みニューラルネットワーク(ConvNet)は通常、同じ分布から引き出された画像を使用してトレーニングされ、テストされる。
ConvNetをさまざまなタスクに一般化するには、さまざまなタスクから描画されたイメージからなる完全なトレーニングデータセットが必要になることが多い。
本稿では,従来のタスクからデータを再検討することなく,事前学習したネットワークを新しいタスクに拡張可能な,新たな微調整手法であるTGDを提案する。
論文 参考訳(メタデータ) (2021-09-29T21:22:09Z) - Improving Botnet Detection with Recurrent Neural Network and Transfer
Learning [5.602292536933117]
ボットネット検出は、ボットネットの拡散を防ぎ、悪意のある活動を防ぐための重要なステップである。
機械学習(ML)を用いた最近のアプローチでは、以前のアプローチよりもパフォーマンスが向上した。
Recurrent Variational Autoencoder (RVAE) を用いた新しいボットネット検出法を提案する。
論文 参考訳(メタデータ) (2021-04-26T14:05:01Z) - Continual Learning for Fake Audio Detection [62.54860236190694]
本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。
ASVspoof 2019データセットで実験が行われる。
論文 参考訳(メタデータ) (2021-04-15T07:57:05Z) - Automated Cleanup of the ImageNet Dataset by Model Consensus,
Explainability and Confident Learning [0.0]
ImageNetは、ILSVRC12Netでトレーニングされた様々な畳み込みニューラルネットワーク(CNN)のバックボーンである。
本稿では,モデルのコンセンサス,説明可能性,自信のある学習に基づく自動アプリケーションについて述べる。
ImageNet-CleanはSqueezeNetおよびEfficientNet-B0モデルのモデルパフォーマンスを2-2.4%向上させる。
論文 参考訳(メタデータ) (2021-03-30T13:16:35Z)
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。