論文の概要: A New Weakly Supervised Learning Approach for Real-time Iron Ore Feed Load Estimation

• arxiv url: http://arxiv.org/abs/2110.04063v1
• Date: Wed, 6 Oct 2021 11:24:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 13:16:51.218651
• Title: A New Weakly Supervised Learning Approach for Real-time Iron Ore Feed Load Estimation
• Title（参考訳）: リアルタイム鉄鉱石フィード負荷推定のための新しい弱教師付き学習手法
• Authors: Li Guo, Yonghong Peng, Rui Qin, Bingyu Liu
• Abstract要約: 鉄鉱石供給負荷制御は、ミネラル研削プロセスにおいて最も重要な設定の1つである。 本稿では, 深層学習モデルを用いて, 鉱石ペレット画像から直接の鉱石供給負荷推定を行う。
• 参考スコア（独自算出の注目度）: 5.964163785417882
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Iron ore feed load control is one of the most critical settings in a mineral grinding process, directly impacting the quality of final products. The setting of the feed load is mainly determined by the characteristics of the ore pellets. However, the characterisation of ore is challenging to acquire in many production environments, leading to poor feed load settings and inefficient production processes. This paper presents our work using deep learning models for direct ore feed load estimation from ore pellet images. To address the challenges caused by the large size of a full ore pellets image and the shortage of accurately annotated data, we treat the whole modelling process as a weakly supervised learning problem. A two-stage model training algorithm and two neural network architectures are proposed. The experiment results show competitive model performance, and the trained models can be used for real-time feed load estimation for grind process optimisation.
• Abstract（参考訳）: 鉄鉱石供給負荷制御はミネラル研削プロセスにおいて最も重要な設定の1つであり、最終製品の品質に直接影響を及ぼす。 供給負荷の設定は主として鉱石ペレットの特性によって決定される。 しかし、鉱石の特徴付けは多くの生産環境での獲得が困難であり、供給負荷設定の低さと生産プロセスの非効率化につながる。 本稿では, 深層学習モデルを用いて, 鉱石ペレット画像からの直接の鉱石供給負荷推定を行う。 フルオールペレット画像の大型化と正確な注釈付きデータの不足による課題に対処するため、モデリングプロセス全体を弱い教師付き学習問題として扱う。 2段階モデルトレーニングアルゴリズムと2つのニューラルネットワークアーキテクチャを提案する。 実験結果は, 競合モデルの性能を示し, 訓練されたモデルを用いてリアルタイムフィード負荷推定を行った。

関連論文リスト

• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
  本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。 雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:18:15Z)
• Task-Aware Machine Unlearning and Its Application in Load Forecasting [4.00606516946677]
  本稿では、すでに訓練済みの予測器に対するデータセットの一部の影響を除去するために特別に設計された機械学習の概念を紹介する。 局所モデルパラメータ変化の感度を影響関数とサンプル再重み付けを用いて評価することにより,性能認識アルゴリズムを提案する。 リアルな負荷データセットを用いて,線形,CNN,Mixerベースの負荷予測器上で,未学習アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2023-08-28T08:50:12Z)
• Gradient Surgery for One-shot Unlearning on Generative Model [0.989293617504294]
  我々は、深層生成モデルに影響を及ぼすデータを取り除くための、単純で効果的なアプローチを導入する。 マルチタスク学習における作業に触発されて,サンプル間の影響の相互作用を規則化する勾配の操作を提案する。
  論文  参考訳（メタデータ） (2023-07-10T13:29:23Z)
• BOOT: Data-free Distillation of Denoising Diffusion Models with Bootstrapping [64.54271680071373]
  拡散モデルは多様な画像を生成する優れた可能性を示している。 知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。 本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T20:30:55Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• Sample Efficient Reinforcement Learning via Model-Ensemble Exploration and Exploitation [3.728946517493471]
  MEEEは楽観的な探索と重み付けによる搾取からなるモデルアンサンブル法である。 我々の手法は、特にサンプル複雑性において、他のモデルフリーおよびモデルベース最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2021-07-05T07:18:20Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)
• Generalizable semi-supervised learning method to estimate mass from sparsely annotated images [0.22940141855172036]
  本研究では,サトウキビを収穫機でリアルタイムに走らせながら,サトウキビの質量を正確に推定できる視覚システムの開発と試験を行う。 ディープニューラルネットワーク(DNN)は、サトウキビの質量を正確に把握し、古いボリュームベースの手法を超えることに成功した。
  論文  参考訳（メタデータ） (2020-03-05T18:13:07Z)

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。