論文の概要: SIGAN: A Novel Image Generation Method for Solar Cell Defect Segmentation and Augmentation

• arxiv url: http://arxiv.org/abs/2104.04953v1
• Date: Sun, 11 Apr 2021 08:20:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 13:55:34.427593
• Title: SIGAN: A Novel Image Generation Method for Solar Cell Defect Segmentation and Augmentation
• Title（参考訳）: SIGAN: 太陽電池の欠陥分割と拡大のための新しい画像生成手法
• Authors: Binyi Su, Zhong Zhou, Haiyong Chen, and Xiaochun Cao (Senior Member, IEEE)
• Abstract要約: 本稿では,GAN(Generative Adversarial Network)を欠陥セグメント化に利用する新しいアイデアを提案する。 ganベースの方法は、入力欠陥画像の欠陥領域を除去して欠陥のない画像を得る。 画像生成前後の背景を変化させないように、新しい強いアイデンティティGAN(SIGAN)を提案します。 提案手法は90.34%のFスコアを達成し、太陽電池の欠陥分断結果において多くの最先端手法を上回ります。
• 参考スコア（独自算出の注目度）: 5.429282997550317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solar cell electroluminescence (EL) defect segmentation is an interesting and challenging topic. Many methods have been proposed for EL defect detection, but these methods are still unsatisfactory due to the diversity of the defect and background. In this paper, we provide a new idea of using generative adversarial network (GAN) for defect segmentation. Firstly, the GAN-based method removes the defect region in the input defective image to get a defect-free image, while keeping the background almost unchanged. Then, the subtracted image is obtained by making difference between the defective input image with the generated defect-free image. Finally, the defect region can be segmented through thresholding the subtracted image. To keep the background unchanged before and after image generation, we propose a novel strong identity GAN (SIGAN), which adopts a novel strong identity loss to constraint the background consistency. The SIGAN can be used not only for defect segmentation, but also small-samples defective dataset augmentation. Moreover, we release a new solar cell EL image dataset named as EL-2019, which includes three types of images: crack, finger interruption and defect-free. Experiments on EL-2019 dataset show that the proposed method achieves 90.34% F-score, which outperforms many state-of-the-art methods in terms of solar cell defects segmentation results.
• Abstract（参考訳）: 太陽電池エレクトロルミネッセンス(EL)欠陥セグメンテーションは興味深く挑戦的なトピックである。 EL欠陥検出には多くの方法が提案されているが, 欠陥と背景の多様性のため, これらの手法は相変わらず不満足である。 本稿では,欠陥セグメント化にGAN(Generative Adversarial Network)を用いる新たなアイデアを提案する。 まず、ganベースの方法は、入力欠陥画像の欠陥領域を除去して欠陥のない画像を得るが、背景はほぼ変わらない。 そして、生成した欠陥のない画像と欠陥入力画像とを区別して減算画像を得る。 そして、下降画像のしきい値化により、欠陥領域を分割することができる。 画像生成前後の背景を一定に保ちながら、背景の一貫性を制約する新しい強いアイデンティティ損失(SIGAN)を提案する。 SIGANは、欠陥セグメント化だけでなく、小さなサンプル欠陥データセット拡張にも使用できる。 さらに,el-2019と呼ばれる新しい太陽電池el画像データセットをリリースし,クラック,指の割り込み,欠陥のない3種類の画像を含む。 EL-2019データセットの実験により、提案手法は90.34%のFスコアを達成し、太陽電池欠陥のセグメンテーション結果において多くの最先端手法を上回った。

関連論文リスト

• Change-Aware Siamese Network for Surface Defects Segmentation under Complex Background [0.6407952035735353]
  変更検出フレームワークにおける欠陥セグメント化を解消する変更対応のSiameseネットワークを提案する。 トランスフォーマーベースのエンコーダを導くために,新しいマルチクラスのコントラスト損失を導入した。 距離マップで示される差分は、変更対応デコーダにスキップ接続され、クラス間およびクラス外の両方の欠陥の位置をアシストする。
  論文  参考訳（メタデータ） (2024-09-01T02:48:11Z)
• Few-shot Defect Image Generation based on Consistency Modeling [1.8029094254659288]
  DefectDiffuは、複数の製品にまたがる欠陥の一貫性をモデル化する、新しいテキスト誘導拡散法である。 DefectDiffuは、世代品質と多様性の点で最先端の手法を超越している。
  論文  参考訳（メタデータ） (2024-08-01T08:29:42Z)
• Progressive Alignment with VLM-LLM Feature to Augment Defect Classification for the ASE Dataset [7.1083241462091165]
  従来の欠陥分類アプローチは2つの障壁に直面している。 不十分なトレーニングデータと不安定なデータ品質。 画像上に記録されたリッチなデータ記述を含む,欠陥分類のための特別なデータセットを提案するが,欠陥特徴を直接学習するのは困難である。
  論文  参考訳（メタデータ） (2024-04-08T04:17:27Z)
• Misalignment-Robust Frequency Distribution Loss for Image Transformation [51.0462138717502]
  本稿では,画像強調や超解像といった深層学習に基づく画像変換手法における共通の課題に対処することを目的とする。 本稿では、周波数領域内における分布距離を計算するための、新しいシンプルな周波数分布損失(FDL)を提案する。 本手法は,周波数領域におけるグローバル情報の思慮深い活用により,トレーニング制約として実証的に有効であることが実証された。
  論文  参考訳（メタデータ） (2024-02-28T09:27:41Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Correcting Diffusion Generation through Resampling [32.93858075964824]
  本研究では, 生成画像と接地画像の分布差を低減できる粒子フィルタリングフレームワークを提案する。 提案手法は, 画像生成タスクにおいて, 欠落したオブジェクトの誤りを効果的に補正し, 画質を向上させる。
  論文  参考訳（メタデータ） (2023-12-10T23:35:13Z)
• Few-Shot Defect Image Generation via Defect-Aware Feature Manipulation [19.018561017953957]
  そこで本研究では, 難易度の高いいくつかの症例において, 第一の欠陥画像生成法を提案する。 まず、欠陥のない画像をバックボーンとしてデータ効率の良いStyleGAN2をトレーニングする。 第二に、欠陥を意識した残留ブロックを背骨に取り付け、適切な欠陥マスクを生成することを学習する。
  論文  参考訳（メタデータ） (2023-03-04T11:43:08Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• DVG-Face: Dual Variational Generation for Heterogeneous Face Recognition [85.94331736287765]
  我々は、HFRを二重生成問題として定式化し、新しいDual Variational Generation(DVG-Face)フレームワークを用いてそれに取り組む。 大規模可視データの豊富なアイデンティティ情報を結合分布に統合する。 同一の同一性を持つ多種多様な多種多様な画像は、ノイズから生成することができる。
  論文  参考訳（メタデータ） (2020-09-20T09:48:24Z)

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。