論文の概要: Reference-based Defect Detection Network

• arxiv url: http://arxiv.org/abs/2108.04456v1
• Date: Tue, 10 Aug 2021 05:44:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 14:23:35.503061
• Title: Reference-based Defect Detection Network
• Title（参考訳）: 参照ベース欠陥検出ネットワーク
• Authors: Zhaoyang Zeng, Bei Liu, Jianlong Fu, Hongyang Chao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.89399576743665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The defect detection task can be regarded as a realistic scenario of object detection in the computer vision field and it is widely used in the industrial field. Directly applying vanilla object detector to defect detection task can achieve promising results, while there still exists challenging issues that have not been solved. The first issue is the texture shift which means a trained defect detector model will be easily affected by unseen texture, and the second issue is partial visual confusion which indicates that a partial defect box is visually similar with a complete box. To tackle these two problems, we propose a Reference-based Defect Detection Network (RDDN). Specifically, we introduce template reference and context reference to against those two problems, respectively. Template reference can reduce the texture shift from image, feature or region levels, and encourage the detectors to focus more on the defective area as a result. We can use either well-aligned template images or the outputs of a pseudo template generator as template references in this work, and they are jointly trained with detectors by the supervision of normal samples. To solve the partial visual confusion issue, we propose to leverage the carried context information of context reference, which is the concentric bigger box of each region proposal, to perform more accurate region classification and regression. Experiments on two defect detection datasets demonstrate the effectiveness of our proposed approach.
• Abstract（参考訳）: 欠陥検出タスクは、コンピュータビジョン分野におけるオブジェクト検出の現実的なシナリオと見なすことができ、産業分野で広く利用されている。 欠陥検出タスクにバニラ物体検出器を直接適用することで有望な結果が得られるが、未解決の課題はまだ残っている。 第1の問題は、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によって容易に影響を受けることを意味するテクスチャシフトであり、第2の問題は、部分的な欠陥検出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す部分的な視覚的混乱である。 これら2つの問題に対処するために,参照型欠陥検出ネットワーク(RDDN)を提案する。 具体的には,これら2つの問題に対してテンプレート参照とコンテキスト参照を導入する。 テンプレート参照は、画像、特徴、領域レベルからのテクスチャシフトを減らし、結果として検出器が欠陥領域にもっと集中するように促す。 本研究では, テンプレート画像と擬似テンプレート生成器の出力をテンプレート参照として使用することができる。 部分的な視覚的混乱を解決するため,各領域提案の同心大ボックスであるコンテキスト参照のコンテキスト情報を活用し,より正確な領域分類と回帰を行う。 2つの欠陥検出データセットの実験により,提案手法の有効性が示された。

関連論文リスト

• 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)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations [3.103778949672542]
  自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。 我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。 様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
  論文  参考訳（メタデータ） (2023-07-15T22:13:36Z)
• Hard Nominal Example-aware Template Mutual Matching for Industrial Anomaly Detection [74.9262846410559]
  textbfHard Nominal textbfExample-aware textbfTemplate textbfMutual textbfMatching (HETMM) textitHETMMは、厳密なプロトタイプベースの決定境界を構築することを目的としており、ハードノミナルな例と異常を正確に区別することができる。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• Self-Calibrating Anomaly and Change Detection for Autonomous Inspection Robots [0.07366405857677225]
  視覚異常または変化検出アルゴリズムは、参照画像やデータセットとは異なる画像の領域を特定する。 本研究では,事前の未知環境における異常や変化を検出するための総合的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-26T09:52:12Z)
• ORA3D: Overlap Region Aware Multi-view 3D Object Detection [11.58746596768273]
  現在の多視点3Dオブジェクト検出法は、しばしば重なり合う領域のオブジェクトを適切に検出できない。 本稿では,(1)弱深度スーパービジョンのステレオ異方性推定と(2)適応オーバーラップ領域判別器の2つの主要なモジュールを提案する。 提案手法は,現在の最先端モデル,すなわちDETR3DとBEVDetより優れている。
  論文  参考訳（メタデータ） (2022-07-02T15:28:44Z)
• End-to-End Instance Edge Detection [29.650295133113183]
  エッジ検出は長い間、コンピュータビジョンの分野で重要な問題であった。 従来の研究は、カテゴリ非依存またはカテゴリ対応エッジ検出を探索してきた。 本稿では,オブジェクトインスタンスのコンテキストにおけるエッジ検出について検討する。
  論文  参考訳（メタデータ） (2022-04-06T15:32:21Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• 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。