論文の概要: MIMII DUE: Sound Dataset for Malfunctioning Industrial Machine
Investigation and Inspection with Domain Shifts due to Changes in Operational
and Environmental Conditions
- arxiv url: http://arxiv.org/abs/2105.02702v2
- Date: Fri, 7 May 2021 13:56:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:31:39.405337
- Title: MIMII DUE: Sound Dataset for Malfunctioning Industrial Machine
Investigation and Inspection with Domain Shifts due to Changes in Operational
and Environmental Conditions
- Title（参考訳）: mimii due: 運転状況および環境条件の変化による産業機械の故障調査およびドメインシフトによる検査のための音声データセット
- Authors: Ryo Tanabe, Harsh Purohit, Kota Dohi, Takashi Endo, Yuki Nikaido,
Toshiki Nakamura, and Yohei Kawaguchi
- Abstract要約: 本稿では,産業機械の故障調査とドメインシフトによる検査のための新しいデータセットを提案する。
ドメインシフトに対する堅牢性をチェックするには、ドメインシフトを持つデータセットが必要です。
データセットはDCASE 2021 Challenge Task 2のデータセットのサブセットであり、https://zenodo.org/record/4740355.comで自由に利用できる。
- 参考スコア（独自算出の注目度）: 5.441198440485553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a new dataset for malfunctioning industrial
machine investigation and inspection with domain shifts due to changes in
operational and environmental conditions (MIMII DUE). Conventional methods for
anomalous sound detection face challenges in practice because the distribution
of features changes between the training and operational phases (called domain
shift) due to some real-world factors. To check the robustness against domain
shifts, we need a dataset with domain shifts, but such a dataset does not exist
so far. The new dataset consists of normal and abnormal operating sounds of
industrial machines of five different types under two different
operational/environmental conditions (source domain and target domain)
independent of normal/abnormal, with domain shifts occurring between the two
domains. Experimental results show significant performance differences between
the source and target domains, and the dataset contains the domain shifts.
These results indicate that the dataset will be helpful to check the robustness
against domain shifts. The dataset is a subset of the dataset for DCASE 2021
Challenge Task 2 and freely available for download at
https://zenodo.org/record/4740355
- Abstract（参考訳）: 本稿では,産業機械の運転・環境条件の変化(mimii due)にともなう,業務機械の故障やドメインシフトによる検査のための新しいデータセットを提案する。
実世界の要因によって特徴の分布が訓練段階と運用段階(ドメインシフトと呼ばれる)に変化するため、従来の異常音検出手法では課題に直面している。
ドメインシフトに対する堅牢性をチェックするには、ドメインシフトを持つデータセットが必要ですが、そのようなデータセットは今のところ存在しません。
新しいデータセットは、通常/異常に依存しない2つの異なる運用/環境条件(ソースドメインとターゲットドメイン)下での5種類の産業機械の正常および異常な動作音と、2つのドメイン間でドメインシフトが発生する。
実験の結果、ソースドメインとターゲットドメインで有意な性能差があり、データセットにはドメインシフトが含まれている。
これらの結果は、データセットがドメインシフトに対する堅牢性をチェックするのに役立つことを示している。
このデータセットはDCASE 2021 Challenge Task 2のデータセットのサブセットであり、https://zenodo.org/record/4740355で無料でダウンロードできる。
関連論文リスト
- Variational Counterfactual Prediction under Runtime Domain Corruption [50.89405221574912]
ドメインシフトとアクセス不能変数の同時発生 実行時ドメインの破損は、訓練済みの反事実予測器の一般化を著しく損なう。
我々は,新たな2段階の対向領域適応方式を用いて,VEGANという,対向的に統一された変分因果効果モデルを構築した。
VEGANは、ランタイムドメインの破損の有無で、個々のレベルの処理効果の推定において、他の最先端のベースラインよりも優れていることを実証する。
論文 参考訳（メタデータ） (2023-06-23T02:54:34Z) - Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
時系列異常検出は、幅広い現実世界の応用において難しい課題である。
近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。
本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
論文 参考訳（メタデータ） (2023-04-15T02:28:58Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - WUDA: Unsupervised Domain Adaptation Based on Weak Source Domain Labels [5.718326013810649]
セマンティックセグメンテーションのための教師なしドメイン適応(UDA)は、細かなソースドメインラベルを持つクロスドメイン問題に対処する。
本稿では、弱ソースドメインラベルに基づく教師なしドメイン適応という新しいタスクを定義する。
論文 参考訳（メタデータ） (2022-10-05T08:28:57Z) - Description and Discussion on DCASE 2022 Challenge Task 2: Unsupervised
Anomalous Sound Detection for Machine Condition Monitoring Applying Domain
Generalization Techniques [35.54126113756623]
音響シーン・イベントの検出・分類のタスク記述について紹介する。2022 課題2:「ドメイン一般化技術を適用した機械状態監視のための教師なし異常音検出(ASD)」。
本稿では,DCASE 2021 Challenge Task 2において,ドメインシフトを扱うためのASDタスクを編成した。
2022タスク2では,ドメインシフトによらず異常を検出する領域一般化技術に注目した。
論文 参考訳（メタデータ） (2022-06-13T02:06:15Z) - MIMII DG: Sound Dataset for Malfunctioning Industrial Machine
Investigation and Inspection for Domain Generalization Task [9.17388311687786]
異常音検出(ASD)のための領域一般化手法をベンチマークするための機械音響データセットを提案する。
本稿では,MIMII DG と呼ばれる領域一般化技術のための最初の ASD データセットを提案する。
論文 参考訳（メタデータ） (2022-05-27T10:19:16Z) - Controlled Generation of Unseen Faults for Partial and OpenSet&Partial
Domain Adaptation [0.0]
新たな運用条件は、トレーニングとテストデータ分布のドメインギャップによって、障害診断モデルのパフォーマンスが低下する可能性がある。
本稿では、Wasserstein GANをベースとした、部分的およびOpenSet&Partialドメイン適応のための新しいフレームワークを提案する。
主なコントリビューションは、制御されたフォールトデータ生成であり、ターゲットドメインで観測されていないフォールトタイプと重大度レベルを生成することができる。
論文 参考訳（メタデータ） (2022-04-29T13:05:25Z) - Domain Adaptation with Incomplete Target Domains [61.68950959231601]
本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。
提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。
我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-03T00:07:40Z) - Learning Task-oriented Disentangled Representations for Unsupervised
Domain Adaptation [165.61511788237485]
Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。
UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
論文 参考訳（メタデータ） (2020-07-27T01:21:18Z)
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。