論文の概要: One-class Steel Detector Using Patch GAN Discriminator for Visualising Anomalous Feature Map

• arxiv url: http://arxiv.org/abs/2107.00143v1
• Date: Wed, 30 Jun 2021 23:01:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 13:36:55.850771
• Title: One-class Steel Detector Using Patch GAN Discriminator for Visualising Anomalous Feature Map
• Title（参考訳）: パッチGAN識別器を用いた異常特徴マップの可視化
• Authors: Takato Yasuno, Junichiro Fujii, Sakura Fukami
• Abstract要約: 室内工場における鉄鋼製品製造において,品質管理には鋼の欠陥検出が重要である。 本稿では, 以下の4成分からなる鉄鋼異常検出の汎用的応用を提案する。 第1の学習者は、関心領域と背景領域が認識されたかどうかを判定する単位画像分類ネットワークである。 第2に、パッチ生成対向ネットワーク識別器(GAN)を備えた事前学習鋼板発生器に基づく識別器特徴符号化器 第3の異常検出器は、識別器の特徴を用いて異常スコアを予測する一級サポートベクターマシン(SVM)である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For steel product manufacturing in indoor factories, steel defect detection is important for quality control. For example, a steel sheet is extremely delicate, and must be accurately inspected. However, to maintain the painted steel parts of the infrastructure around a severe outdoor environment, corrosion detection is critical for predictive maintenance. In this paper, we propose a general-purpose application for steel anomaly detection that consists of the following four components. The first, a learner, is a unit image classification network to determine whether the region of interest or background has been recognised, after dividing the original large sized image into 256 square unit images. The second, an extractor, is a discriminator feature encoder based on a pre-trained steel generator with a patch generative adversarial network discriminator(GAN). The third, an anomaly detector, is a one-class support vector machine(SVM) to predict the anomaly score using the discriminator feature. The fourth, an indicator, is an anomalous probability map used to visually explain the anomalous features. Furthermore, we demonstrated our method through the inspection of steel sheet defects with 13,774 unit images using high-speed cameras, and painted steel corrosion with 19,766 unit images based on an eye inspection of the photographs. Finally, we visualise anomalous feature maps of steel using a strip and painted steel inspection dataset
• Abstract（参考訳）: 室内工場における鉄鋼製品製造において,品質管理には鋼の欠陥検出が重要である。 例えば、鋼板は非常に繊細であり、正確に検査する必要がある。 しかし, 屋外環境の厳しい環境下において, 塗装鋼板の耐食性を維持するためには, 腐食検出が重要となる。 本稿では,以下の4成分からなる鋼管異常検出のための汎用応用を提案する。 学習者は、元の大きな画像を256平方の単位画像に分割した後、関心領域や背景領域が認識されたかどうかを判定する単位画像分類ネットワークである。 第2の抽出器は、パッチ生成対向ネットワーク判別器(GAN)を備えた事前学習鋼板発生器に基づく識別器特徴エンコーダである。 第3の異常検出器は、識別器の特徴を用いて異常スコアを予測する一級支援ベクトルマシン(SVM)である。 第4の指標は異常な特徴を視覚的に説明するために用いられる異常確率写像である。 さらに, 高速カメラを用いた13,774ユニット画像を用いた鋼板の欠陥検査と, 19,766ユニット画像を用いた塗装鋼板の腐食検査を行った。 最後に, 鋼板の異常特徴マップを, 塗装鋼板検査データセットを用いて可視化する。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• AnomalousPatchCore: Exploring the Use of Anomalous Samples in Industrial Anomaly Detection [2.2742404315918927]
  視覚検査(英: visual inspection)または産業異常検出(英: industrial anomaly detection)は、製造業において最も一般的な品質管理タイプの一つである。 ほとんどの異常検出法は、通常のサンプルからのみ知識を利用でき、しばしば利用可能な異常サンプルからの情報を活用することができない。 そこで本研究では,異常検出システムであるAnomalousPatchCore(APC)を提案する。
  論文  参考訳（メタデータ） (2024-08-27T14:51:34Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Defect Spectrum: A Granular Look of Large-Scale Defect Datasets with Rich Semantics [27.03052142039447]
  Defect Spectrumは、広範囲の産業的欠陥に対して、正確でセマンティックな、そして大規模なアノテーションを提供する包括的なベンチマークである。 4つの重要な産業ベンチマークに基づいて、私たちのデータセットは既存のアノテーションを洗練し、単一のイメージ内の複数の欠陥タイプを識別する、リッチなセマンティックな詳細を導入します。 また、高品質で多様な欠陥画像を作成するために設計された2段階拡散ベースジェネレータであるDefect-Genを紹介する。
  論文  参考訳（メタデータ） (2023-10-26T11:23:24Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• Defect detection and segmentation in X-Ray images of magnesium alloy castings using the Detectron2 framework [0.13764085113103217]
  新しい製造技術により、より複雑な形状の金属部品を製造することが可能となり、品質管理プロセスがより困難になった。 X線画像により、このプロセスはより簡単になり、表面欠陥をより単純な方法で検出できるだけでなく、溶接や鋳造の欠陥も検出できるようになった。 本研究の目的は,画像中の物体の検出とセグメンテーションに応用された最先端ライブラリである Detectron2 に基づくディープラーニングシステムを適用することである。
  論文  参考訳（メタデータ） (2022-02-28T16:53:09Z)
• Crack detection using tap-testing and machine learning techniques to prevent potential rockfall incidents [68.8204255655161]
  本稿では,岩盤の自動探傷システムを提案する。 ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。 音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
  論文  参考訳（メタデータ） (2021-10-10T22:53:36Z)
• Reference-based Defect Detection Network [57.89399576743665]
  最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。 第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。 本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
  論文  参考訳（メタデータ） (2021-08-10T05:44:23Z)
• Per-pixel Classification Rebar Exposures in Bridge Eye-inspection [0.0]
  低画素画像のセマンティックセグメンテーションを可能にするトランスファー学習の3つの損傷検出手法を提案する。 本稿では,実世界の橋梁106面の208枚の残響画像を用いた結果について述べる。
  論文  参考訳（メタデータ） (2020-04-22T17:28:42Z)
• Occluded Prohibited Items Detection: an X-ray Security Inspection Benchmark and De-occlusion Attention Module [50.75589128518707]
  我々はOPIXrayというセキュリティ検査のための最初の高品質なオブジェクト検出データセットをコントリビュートする。 OPIXrayは、空港のプロの検査官が手動で注記した「カッター」に焦点をあてた。 本稿では,プラグイン・アンド・プレイモジュールであるデオクルージョン・アテンション・モジュール(DOAM)を提案する。
  論文  参考訳（メタデータ） (2020-04-18T16:10:55Z)
• Semi-supervised Anomaly Detection using AutoEncoders [0.0]
  異常検出(英: Anomaly detection)とは、通常のデータから際立った異常なインスタンスを見つけるタスクである。 本稿では,異常検出のための畳み込み自動エンコーダアーキテクチャを提案する。 このアプローチは2つのデータセットでテストされ、平均F1スコア0.885を達成しました。
  論文  参考訳（メタデータ） (2020-01-06T23:06:28Z)

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。