Fugu-MT 論文翻訳(概要): Data augmentation and pre-trained networks for extremely low data regimes unsupervised visual inspection

論文の概要: Data augmentation and pre-trained networks for extremely low data regimes unsupervised visual inspection

arxiv url: http://arxiv.org/abs/2106.01277v1
Date: Wed, 2 Jun 2021 16:37:20 GMT
ステータス: 処理完了
システム内更新日: 2021-06-03 14:52:31.443415
Title: Data augmentation and pre-trained networks for extremely low data regimes unsupervised visual inspection
Title（参考訳）: 教師なし視覚検査による極低データ体制のためのデータ強化と事前学習ネットワーク
Authors: Pierre Gutierrez, Antoine Cordier, Tha\"is Caldeira, Th\'eophile Sautory
Abstract要約: MVTec ADデータセットで利用可能なデータの量を変化させる際に、事前訓練済みの深い特徴に基づく3つのアプローチを比較する。これらの手法はほとんどの場合、小さなサンプルサイズに対して堅牢であるが、元の画像空間でデータ拡張を使用することで大きなメリットを享受できることが示されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The use of deep features coming from pre-trained neural networks for unsupervised anomaly detection purposes has recently gathered momentum in the computer vision field. In particular, industrial inspection applications can take advantage of such features, as demonstrated by the multiple successes of related methods on the MVTec Anomaly Detection (MVTec AD) dataset. These methods make use of neural networks pre-trained on auxiliary classification tasks such as ImageNet. However, to our knowledge, no comparative study of robustness to the low data regimes between these approaches has been conducted yet. For quality inspection applications, the handling of limited sample sizes may be crucial as large quantities of images are not available for small series. In this work, we aim to compare three approaches based on deep pre-trained features when varying the quantity of available data in MVTec AD: KNN, Mahalanobis, and PaDiM. We show that although these methods are mostly robust to small sample sizes, they still can benefit greatly from using data augmentation in the original image space, which allows to deal with very small production runs.
Abstract（参考訳）: 教師なし異常検出のための事前学習されたニューラルネットワークからの深い機能の利用は、最近コンピュータビジョンの分野で勢いを増している。特に、産業検査アプリケーションは、MVTec Anomaly Detection (MVTec AD)データセットにおける関連手法の複数の成功によって示されているように、このような特徴を利用することができる。これらの手法は、ImageNetのような補助的な分類タスクで事前訓練されたニューラルネットワークを利用する。しかし、我々の知る限り、これらのアプローチ間の低データ構造に対する堅牢性の比較研究はまだ行われていない。品質検査の応用においては,小シリーズでは大量の画像が利用できないため,限られたサンプルサイズを扱うことが重要である。本研究では,MVTec ADで利用可能なデータ量,KNN,Mahalanobis,PaDiMの3つの手法を比較することを目的とする。これらの手法はほとんどの場合、小さなサンプルサイズに対して堅牢であるが、元の画像空間でデータ拡張を使用することで大きな恩恵を受けることができる。

関連論文リスト

Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。 FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
論文参考訳（メタデータ） (2024-03-27T02:24:00Z)
Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文参考訳（メタデータ） (2024-03-08T16:18:04Z)
Evaluating the Label Efficiency of Contrastive Self-Supervised Learning for Multi-Resolution Satellite Imagery [0.0]
遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
論文参考訳（メタデータ） (2022-10-13T06:54:13Z)
FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文参考訳（メタデータ） (2022-04-09T16:41:53Z)
Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文参考訳（メタデータ） (2022-02-11T10:33:53Z)
Anomaly Detection in Image Datasets Using Convolutional Neural Networks, Center Loss, and Mahalanobis Distance [0.0]
ユーザーアクティビティは、品質や無関係な画像やデータベクターのかなりの数を生成します。ニューラルネットワークの場合、異常は通常分布外サンプルとして定義される。本研究では,画像データセットにおける非分布サンプルの監督的および半監督的検出手法を提案する。
論文参考訳（メタデータ） (2021-04-13T13:44:03Z)
Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
論文参考訳（メタデータ） (2021-03-25T22:34:16Z)
Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet Networks [2.7173993697663086]
表面異常検出はスクラップ生産を減らすために多くの製造業において重要な品質管理の役割を担っている。ディープラーニング畳み込みニューラルネットワーク(CNN)は、これらの画像処理ベースのソリューションの最前線にある。本稿では,この課題に対して,距離に基づく異常検出を目標とした表面テクスチャパッチ上でCNNをトレーニングすることで対処する。
論文参考訳（メタデータ） (2020-11-09T00:35:21Z)
Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
論文参考訳（メタデータ） (2020-08-02T20:08:54Z)
On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-16T18:39:04Z)
ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文参考訳（メタデータ） (2020-06-28T23:09:27Z)

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。