論文の概要: Railway Anomaly detection model using synthetic defect images generated
by CycleGAN
- arxiv url: http://arxiv.org/abs/2102.12595v1
- Date: Wed, 24 Feb 2021 22:59:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-26 13:58:02.490204
- Title: Railway Anomaly detection model using synthetic defect images generated
by CycleGAN
- Title(参考訳): CycleGANによる合成欠陥画像を用いた鉄道異常検出モデル
- Authors: Takuro Hoshi, Yohei Baba and Gaurang Gavai
- Abstract要約: 公共交通機関の安全かつ不安定な運用には 積極的な代替が不可欠です
実画像の代わりにCycleGANを用いて欠陥機器の人工画像を生成するモデルを開発した。
- 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: Although training data is essential for machine learning, railway companies
are facing difficulties in gathering adequate images of defective equipment due
to their proactive replacement of would be defective equipment. Nevertheless,
proactive replacement is indispensable for safe and undisturbed operation of
public transport. In this research, we have developed a model using CycleGAN to
generate artificial images of defective equipment instead of real images. By
adopting these generated images as training data, we verified that these images
are indistinguishable from real images and they play a vital role in enhancing
the accuracy of the defect detection models.
- Abstract(参考訳): 機械学習にはトレーニングデータが不可欠だが, 欠陥機器を積極的に置き換えることによって, 欠陥機器の適切な画像収集が困難になっている。
それでも、公共交通機関の安全かつ不安定な運用には、積極的な代替が不可欠である。
本研究では,実画像の代わりにCycleGANを用いて欠陥機器の人工画像を生成するモデルを開発した。
これらの生成画像をトレーニングデータとして採用することにより,実際の画像と区別できないこと,欠陥検出モデルの精度向上に重要な役割を果たすことを検証した。
関連論文リスト
- Generative Model-Driven Synthetic Training Image Generation: An Approach
to Cognition in Rail Defect Detection [12.584718477246382]
本研究では,VAEを用いたレール欠陥の合成画像生成手法を提案する。
カナダ太平洋鉄道(Canadian Pacific Railway)の合成データセットを作成するために用いられる。
500の合成サンプルが生成され、最小の復元損失は0.021である。
論文 参考訳(メタデータ) (2023-12-31T04:34:58Z) - Scaling Laws of Synthetic Images for Model Training ... for Now [54.43596959598466]
本研究では, 合成画像のスケーリング法則について, テクスト・ツー・イメージ・モデルの現状から検討した。
合成画像は、CLIPトレーニングの実際の画像と似ているが、やや効果の低いスケーリング傾向を示す。
論文 参考訳(メタデータ) (2023-12-07T18:59:59Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Real-Time Damage Detection in Fiber Lifting Ropes Using Convolutional
Neural Networks [19.093832934990044]
畳み込みニューラルネットワーク(CNN)を用いた合成繊維ロープ画像の損傷検出システムを提案する。
ケネクラネスの専門家は、ロープの状態に応じて収集した画像に注釈を付け、正常または損傷を与えた。
実験の結果、提案されたモデルは96.4%の精度、95.8%の精度、97.2%のリコール、96.5%のF1スコア、99.2%のAUCで他の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-23T11:44:43Z) - Semi-UFormer: Semi-supervised Uncertainty-aware Transformer for Image
Dehazing [27.448424191569167]
そこで我々はSemi-UFormerと呼ばれる半教師付き不確実性対応トランスフォーマネットワークを提案する。
Semi-UFormerは、現実世界のハジーイメージと不確実性ガイダンス情報の両方をうまく活用できる。
論文 参考訳(メタデータ) (2022-10-28T11:08:41Z) - Fast Unsupervised Brain Anomaly Detection and Segmentation with
Diffusion Models [1.6352599467675781]
脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。
拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
論文 参考訳(メタデータ) (2022-06-07T17:30:43Z) - A comparison of different atmospheric turbulence simulation methods for
image restoration [64.24948495708337]
大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。
深層学習に基づく大気乱流緩和法が文献で提案されている。
様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
論文 参考訳(メタデータ) (2022-04-19T16:21:36Z) - Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。
最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。
ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
論文 参考訳(メタデータ) (2021-10-09T16:09:27Z) - Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations [71.00754846434744]
知覚不能な加法的摂動は,差分マップを著しく変更できることを示す。
敵データ拡張に使用すると、我々の摂動はより堅牢なトレーニングされたモデルをもたらすことを示す。
論文 参考訳(メタデータ) (2020-09-21T19:20:09Z) - Improved anomaly detection by training an autoencoder with skip
connections on images corrupted with Stain-shaped noise [25.85927871251385]
異常検出は 復元の残留か もしくは 復元の不確実性に依存する
我々は,再設計のシャープさを改善するために,スキップ接続を備えたオートエンコーダアーキテクチャを検討する。
このモデルでは、実際の欠陥の有無にかかわらず、任意の実世界の画像からクリーンなイメージを復元することが好ましいことを示す。
論文 参考訳(メタデータ) (2020-08-29T13:50:49Z) - FD-GAN: Generative Adversarial Networks with Fusion-discriminator for
Single Image Dehazing [48.65974971543703]
画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。
我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。
実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
論文 参考訳(メタデータ) (2020-01-20T04:36:11Z)
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。