論文の概要: Mixed supervision for surface-defect detection: from weakly to fully supervised learning

• arxiv url: http://arxiv.org/abs/2104.06064v1
• Date: Tue, 13 Apr 2021 10:00:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-14 13:29:06.257514
• Title: Mixed supervision for surface-defect detection: from weakly to fully supervised learning
• Title（参考訳）: 表面欠陥検出のための混合監視-弱さから完全教師付き学習へ
• Authors: Jakob Bo\v{z}i\v{c}, Domen Tabernik, Danijel Sko\v{c}aj
• Abstract要約: 本研究では,教師あり学習手法の重い要件を緩和し,高度に詳細なアノテーションの必要性を低減した。 ディープラーニングアーキテクチャを提案することにより、混合監視による弱い(画像レベル)ラベルから表面欠陥検出タスクの完全な(ピクセルレベル)アノテーションまで、さまざまな詳細のアノテーションの使用を検討する。 提案手法は,すべての関連手法を完全監督設定で上回るとともに,画像レベルラベルのみを利用可能な場合の弱監督方式を上回る。
• 参考スコア（独自算出の注目度）: 5.69361786082969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep-learning methods have recently started being employed for addressing surface-defect detection problems in industrial quality control. However, with a large amount of data needed for learning, often requiring high-precision labels, many industrial problems cannot be easily solved, or the cost of the solutions would significantly increase due to the annotation requirements. In this work, we relax heavy requirements of fully supervised learning methods and reduce the need for highly detailed annotations. By proposing a deep-learning architecture, we explore the use of annotations of different details ranging from weak (image-level) labels through mixed supervision to full (pixel-level) annotations on the task of surface-defect detection. The proposed end-to-end architecture is composed of two sub-networks yielding defect segmentation and classification results. The proposed method is evaluated on several datasets for industrial quality inspection: KolektorSDD, DAGM and Severstal Steel Defect. We also present a new dataset termed KolektorSDD2 with over 3000 images containing several types of defects, obtained while addressing a real-world industrial problem. We demonstrate state-of-the-art results on all four datasets. The proposed method outperforms all related approaches in fully supervised settings and also outperforms weakly-supervised methods when only image-level labels are available. We also show that mixed supervision with only a handful of fully annotated samples added to weakly labelled training images can result in performance comparable to the fully supervised model's performance but at a significantly lower annotation cost.
• Abstract（参考訳）: 近年,産業品質管理における表面欠陥検出問題への深層学習の取り組みが始まっている。 しかし、学習に必要な大量のデータが必要であり、しばしば高精度なラベルを必要とするため、多くの工業的問題が容易に解決できず、あるいはアノテーションの要求によりソリューションのコストが大幅に増加する。 本研究では,完全教師付き学習手法の重い要求を緩和し,より詳細なアノテーションの必要性を低減する。 深層学習アーキテクチャを提案することで、表面欠陥検出のタスクにおいて、弱い(画像レベルの)ラベルから完全な(ピクセルレベルの)アノテーションまで、さまざまな詳細のアノテーションの利用を探求する。 提案するエンドツーエンドアーキテクチャは,欠陥分割と分類結果の2つのサブネットワークで構成されている。 提案手法は,KolektorSDD,DAGM,Severstal Steel Defectといった産業品質検査用データセットを用いて評価した。 また,実世界の産業問題に対処しながら得られた,複数の欠陥を含む3000以上の画像を含む,kolektorsdd2と呼ばれる新しいデータセットを提案する。 4つのデータセットすべてで最先端の結果を示します。 提案手法は, 完全教師付き設定ですべての関連手法を上回り, 画像レベルのラベルのみを利用できる場合にも, 弱教師付き手法を上回ります。 また,弱ラベル付きトレーニング画像に付加された少数の完全注釈付きサンプルを混合監視することにより,完全教師付きモデルの性能に匹敵する性能が得られるが,アノテーションコストは著しく低下することを示した。

関連論文リスト

• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Defect detection using weakly supervised learning [1.4321190258774352]
  近年,従来の教師あり学習の代替手段として,弱教師あり学習技術が注目されている。 本稿では,欠陥検出作業において,弱教師付き分類器と完全教師付き分類器の性能を比較した。
  論文  参考訳（メタデータ） (2023-03-27T11:01:16Z)
• Semi-Weakly Supervised Object Detection by Sampling Pseudo Ground-Truth Boxes [9.827002225566073]
  本稿では,オブジェクト検出のための弱い半教師付きトレーニング手法を提案する。 弱ラベル画像の情報とともに、少数の完全ラベル画像のみを活用することにより、最先端のパフォーマンスを実現する。 特に,我々の一般的なサンプリングベース学習戦略は,オンライン方式で擬似接地構文(GT)境界アノテーションを生成する。
  論文  参考訳（メタデータ） (2022-04-01T00:44:42Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Semi-Supervised StyleGAN for Disentanglement Learning [79.01988132442064]
  現在の解離法は、いくつかの固有の制限に直面している。 半教師付き高分解能ディスタングル学習のためのStyleGANに基づく新しいアーキテクチャと損失関数を設計する。
  論文  参考訳（メタデータ） (2020-03-06T22:54:46Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。