論文の概要: TL-SDD: A Transfer Learning-Based Method for Surface Defect Detection
with Few Samples
- arxiv url: http://arxiv.org/abs/2108.06939v1
- Date: Mon, 16 Aug 2021 07:24:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 22:23:14.140015
- Title: TL-SDD: A Transfer Learning-Based Method for Surface Defect Detection
with Few Samples
- Title(参考訳): TL-SDD:少数のサンプルを用いた転写学習による表面欠陥検出手法
- Authors: Jiahui Cheng, Bin Guo, Jiaqi Liu, Sicong Liu, Guangzhi Wu, Yueqi Sun,
Zhiwen Yu
- Abstract要約: 表面欠陥検出のための新しいトランスファーラーニング法TL-SDDを提案する。
我々は、共通の欠陥クラスから稀な欠陥クラスに知識を移すための2段階のトレーニングスキームを採用する。
基準法と比較すると, 稀な欠陥クラスに対して, 提案手法の性能は1.98%向上した。
- 参考スコア(独自算出の注目度): 17.884998028369026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surface defect detection plays an increasingly important role in
manufacturing industry to guarantee the product quality. Many deep learning
methods have been widely used in surface defect detection tasks, and have been
proven to perform well in defects classification and location. However, deep
learning-based detection methods often require plenty of data for training,
which fail to apply to the real industrial scenarios since the distribution of
defect categories is often imbalanced. In other words, common defect classes
have many samples but rare defect classes have extremely few samples, and it is
difficult for these methods to well detect rare defect classes. To solve the
imbalanced distribution problem, in this paper we propose TL-SDD: a novel
Transfer Learning-based method for Surface Defect Detection. First, we adopt a
two-phase training scheme to transfer the knowledge from common defect classes
to rare defect classes. Second, we propose a novel Metric-based Surface Defect
Detection (M-SDD) model. We design three modules for this model: (1) feature
extraction module: containing feature fusion which combines high-level semantic
information with low-level structural information. (2) feature reweighting
module: transforming examples to a reweighting vector that indicates the
importance of features. (3) distance metric module: learning a metric space in
which defects are classified by computing distances to representations of each
category. Finally, we validate the performance of our proposed method on a real
dataset including surface defects of aluminum profiles. Compared to the
baseline methods, the performance of our proposed method has improved by up to
11.98% for rare defect classes.
- Abstract(参考訳): 表面欠陥検出は、製品の品質を保証するために製造業においてますます重要な役割を果たす。
多くの深層学習手法が表面欠陥検出タスクで広く使われており、欠陥の分類や位置においてよく機能することが証明されている。
しかし、深層学習に基づく検出手法は訓練に大量のデータを必要とすることが多く、欠陥カテゴリの分布が不均衡であることが多いため、実際の産業シナリオには適用できない。
言い換えれば、一般的な欠陥クラスは多くのサンプルを持つが、まれな欠陥クラスは極めて少ないサンプルを持ち、これらのメソッドがまれな欠陥クラスを適切に検出することは困難である。
そこで本論文では,表面欠陥検出のための新しいトランスファー学習に基づく手法であるtl-sddを提案する。
まず、共通の欠陥クラスから稀な欠陥クラスに知識を移すための2段階のトレーニングスキームを採用する。
次に,Metric-based Surface Defect Detection (M-SDD)モデルを提案する。
1)特徴抽出モジュール:高レベルの意味情報と低レベルの構造情報を組み合わせた特徴融合を含む。
2) 機能再重み付けモジュール: 特徴の重要性を示す再重み付けベクトルに例を変換する。
3)距離距離加群:各カテゴリの表現への距離を計算することで欠陥を分類する距離空間を学習する。
最後に, アルミニウムプロファイルの表面欠陥を含む実データを用いて, 提案手法の性能を検証する。
基準法と比較すると, 稀な欠陥クラスに対して, 提案手法の性能は1.98%向上した。
関連論文リスト
- Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%~6%向上させる。
論文 参考訳(メタデータ) (2022-11-29T14:52:38Z) - A New Knowledge Distillation Network for Incremental Few-Shot Surface
Defect Detection [20.712532953953808]
本稿では,DKAN(Dual Knowledge Align Network)と呼ばれる新しい知識蒸留ネットワークを提案する。
提案したDKAN法は,事前学習型ファインタニング伝達学習パラダイムを踏襲し,ファインタニングのための知識蒸留フレームワークを設計した。
Few-shot NEU-DETデータセットをインクリメンタルに実験した結果、DKANは様々なシーンで他の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-09-01T15:08:44Z) - Clear Memory-Augmented Auto-Encoder for Surface Defect Detection [10.829080460965478]
本稿では,異常な前景を修復し,背景を鮮明に保存するメモリ拡張オートエンコーダを提案する。
できるだけ現実的で機能豊富な異常をシミュレートするために, 汎用的な人工異常生成アルゴリズムを提案する。
最後に,欠陥セグメンテーションのための新しいマルチスケール特徴残差検出法を提案する。
論文 参考訳(メタデータ) (2022-08-08T02:39:03Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [93.68531382792366]
本稿では,深層畳み込み型オートエンコーダのための自己教師型学習システムを提案する。
モデルが修正された再構成エラーによってデータ多様体に集中するように調整しながら、トレーニング中に識別情報を使用することができる。
MVTec 異常検出データセットに対する実験により,提案手法の高精度な認識とローカライゼーション性能が示された。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Prototype-Anchored Learning for Learning with Imperfect Annotations [83.7763875464011]
不完全な注釈付きデータセットからバイアスのない分類モデルを学ぶことは困難である。
本稿では,様々な学習に基づく分類手法に容易に組み込むことができるプロトタイプ・アンコレッド学習法を提案する。
我々は,PALがクラス不均衡学習および耐雑音学習に与える影響を,合成および実世界のデータセットに関する広範な実験により検証した。
論文 参考訳(メタデータ) (2022-06-23T10:25:37Z) - Multi-Scale Aligned Distillation for Low-Resolution Detection [68.96325141432078]
本稿では,高分解能モデルや多分解能モデルから知識を抽出することで,低分解能モデルの性能を向上させることに焦点を当てる。
いくつかのインスタンスレベルの検出タスクとデータセットにおいて,本手法を用いて訓練された低解像度モデルと,従来のマルチスケールトレーニングによる訓練された高解像度モデルとを競合的に処理する。
論文 参考訳(メタデータ) (2021-09-14T12:53:35Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2021-03-01T01:43:04Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳(メタデータ) (2021-01-20T11:48:12Z) - Computer Vision and Normalizing Flow Based Defect Detection [0.0]
本稿では,オブジェクト検出モデルYOLOとフローベース欠陥検出モデルDifferNetに基づく2段階欠陥検出ネットワークを提案する。
本モデルは,生産ライン監視システムから撮影した実世界のビデオクリップを用いた欠陥検出において,高い堅牢性と性能を有する。
提案モデルでは,単一製品や複数製品の欠陥のない少数のサンプルを学習できる。
論文 参考訳(メタデータ) (2020-12-12T05:38:21Z) - 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) - Out-Of-Bag Anomaly Detection [0.9449650062296822]
データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。
本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。
本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-09-20T06:01:52Z)
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。