論文の概要: Active learning using weakly supervised signals for quality inspection
- arxiv url: http://arxiv.org/abs/2104.02973v1
- Date: Wed, 7 Apr 2021 07:49:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 13:06:36.693613
- Title: Active learning using weakly supervised signals for quality inspection
- Title(参考訳): 弱教師付き信号を用いた能動学習による品質検査
- Authors: Antoine Cordier, Deepan Das, and Pierre Gutierrez
- Abstract要約: 我々は,急速に採掘され,弱く注釈されたデータから積極的に学習する手法を開発した。
私たちは大きなマシンビジョンの弱点、偽陽性に取り組む。
その点において、この問題に対処する効率的な方法として、ドメイン・アドバーサリートレーニングを示します。
- 参考スコア(独自算出の注目度): 0.16683739531034203
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Because manufacturing processes evolve fast, and since production visual
aspect can vary significantly on a daily basis, the ability to rapidly update
machine vision based inspection systems is paramount. Unfortunately, supervised
learning of convolutional neural networks requires a significant amount of
annotated images for being able to learn effectively from new data.
Acknowledging the abundance of continuously generated images coming from the
production line and the cost of their annotation, we demonstrate it is possible
to prioritize and accelerate the annotation process. In this work, we develop a
methodology for learning actively, from rapidly mined, weakly (i.e. partially)
annotated data, enabling a fast, direct feedback from the operators on the
production line and tackling a big machine vision weakness: false positives. We
also consider the problem of covariate shift, which arises inevitably due to
changing conditions during data acquisition. In that regard, we show
domain-adversarial training to be an efficient way to address this issue.
- Abstract(参考訳): 製造プロセスは急速に進化し、生産の視覚的な側面は日々大きく変化するため、マシンビジョンベースの検査システムを迅速に更新する能力は最重要である。
残念ながら、畳み込みニューラルネットワークの教師あり学習には、新しいデータから効果的に学習できる大量の注釈付き画像が必要である。
生産ラインから連続的に生成される画像の豊富さとアノテーションのコストを認識し、アノテーションプロセスの優先順位付けと高速化が可能であることを実証する。
本研究では,急速に採掘され,弱く(すなわち)活発に学習する手法を開発した。
一部) 注釈付きデータで、運用ライン上のオペレータからの高速で直接的なフィードバックを可能にし、大きなマシンビジョンの弱点に対処する。
また,データ取得時の条件の変化によって必然的に発生する共変量シフトの問題についても考察する。
その点に関しては、ドメイン-敵のトレーニングがこの問題に対処する効率的な方法であることを示します。
関連論文リスト
- Efficient entity-based reinforcement learning [3.867363075280544]
本稿では,集合表現の最近の進歩とスロットアテンションとグラフニューラルネットワークを組み合わせて構造化データを処理することを提案する。
トレーニング時間とロバスト性を大幅に改善できることを示し、構造化されたドメインと純粋に視覚的なドメインを扱う可能性を示す。
論文 参考訳(メタデータ) (2022-06-06T19:02:39Z) - Improving generalization with synthetic training data for deep learning
based quality inspection [0.0]
教師付きディープラーニングは、トレーニングのために大量の注釈付きイメージを必要とする。
実際には、そのようなデータの収集と注釈付けは費用がかかり、手間がかかる。
ランダムに生成した合成訓練画像を用いることで、領域不安定性に対処できることを示す。
論文 参考訳(メタデータ) (2022-02-25T16:51:01Z) - Visual Adversarial Imitation Learning using Variational Models [60.69745540036375]
逆関数仕様は、深い強化学習を通しての学習行動にとって大きな障害であり続けている。
望ましい行動の視覚的なデモンストレーションは、エージェントを教えるためのより簡単で自然な方法を示すことが多い。
変動モデルに基づく対向的模倣学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-07-16T00:15:18Z) - Crop-Transform-Paste: Self-Supervised Learning for Visual Tracking [137.26381337333552]
本研究では,十分なトレーニングデータを合成できるCrop-Transform-Paste演算を開発した。
オブジェクトの状態はすべての合成データで知られているので、既存のディープトラッカーは人間のアノテーションなしで日常的に訓練することができる。
論文 参考訳(メタデータ) (2021-06-21T07:40:34Z) - Data-efficient Weakly-supervised Learning for On-line Object Detection
under Domain Shift in Robotics [24.878465999976594]
文献では、Deep Convolutional Neural Networks (DCNNs)に基づく多数のオブジェクト検出方法が提案されている。
これらの手法はロボティクスに重要な制限がある:オフラインデータのみに学習するとバイアスが発生し、新しいタスクへの適応を防ぐことができる。
本研究では,弱い教師付き学習がこれらの問題にどのように対処できるかを検討する。
論文 参考訳(メタデータ) (2020-12-28T16:36:11Z) - Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。
RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
論文 参考訳(メタデータ) (2020-11-19T18:47:40Z) - Adversarially-Trained Deep Nets Transfer Better: Illustration on Image
Classification [53.735029033681435]
トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。
本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
論文 参考訳(メタデータ) (2020-07-11T22:48:42Z) - Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。
本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。
その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
論文 参考訳(メタデータ) (2020-06-04T08:59:17Z) - Any-Shot Sequential Anomaly Detection in Surveillance Videos [36.24563211765782]
本稿では,トランスファーラーニングとノンショットラーニングを用いた監視ビデオのオンライン異常検出手法を提案する。
提案アルゴリズムは,トランスファー学習のためのニューラルネットワークモデルの特徴抽出能力と,統計的検出手法のノンショット学習能力を利用する。
論文 参考訳(メタデータ) (2020-04-05T02:15:45Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳(メタデータ) (2020-03-03T07:27:44Z) - Self-supervised visual feature learning with curriculum [0.24366811507669126]
本稿では,カリキュラム学習からインスピレーションを得て,段階的に低レベル信号を除去する。
その結果,下流タスクの収束速度は著しく向上した。
論文 参考訳(メタデータ) (2020-01-16T03:28:58Z)
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。