Fugu-MT 論文翻訳(概要): Detecting Slag Formations with Deep Convolutional Neural Networks

論文の概要: Detecting Slag Formations with Deep Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2110.06640v1
Date: Wed, 13 Oct 2021 11:13:48 GMT
ステータス: 処理完了
システム内更新日: 2021-10-14 14:07:12.235113
Title: Detecting Slag Formations with Deep Convolutional Neural Networks
Title（参考訳）: 深層畳み込みニューラルネットワークによるスラグ生成の検出
Authors: Christian von Koch, William Anz\'en, Max Fischer, Raazesh Sainudiin
Abstract要約: 本研究では, 2つの深部畳み込みニューラルネットワークを用いたGrate-Kiln系炉内からのスラグ生成を検出する能力について検討した。炉内の状況は、時々カメラの視界を妨害する。本稿では,深部畳み込みニューラルネットワークにconvLSTM層を導入することでこの問題に対処することを提案する。
参考スコア（独自算出の注目度）: 0.38233569758620056
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We investigate the ability to detect slag formations in images from inside a Grate-Kiln system furnace with two deep convolutional neural networks. The conditions inside the furnace cause occasional obstructions of the camera view. Our approach suggests dealing with this problem by introducing a convLSTM-layer in the deep convolutional neural network. The results show that it is possible to achieve sufficient performance to automate the decision of timely countermeasures in the industrial operational setting. Furthermore, the addition of the convLSTM-layer results in fewer outlying predictions and a lower running variance of the fraction of detected slag in the image time series.
Abstract（参考訳）: 2つの深い畳み込みニューラルネットワークを用いたgrate-kilnシステム炉内から画像中のスラグ生成を検出する能力について検討した。炉内の条件は、時々カメラビューの障害を引き起こす。本稿では,畳み込みニューラルネットワークにconvLSTM層を導入することでこの問題に対処することを提案する。以上の結果から,産業運用環境におけるタイムリー対策決定の自動化に十分な性能を達成できることが示唆された。さらに、convLSTM層の追加により、画像時系列における検出スラグの分画の流出予測が小さくなり、より少ないランニング分散が得られる。

関連論文リスト

Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文参考訳（メタデータ） (2023-07-20T16:00:19Z)
Hoyer regularizer is all you need for ultra low-latency spiking neural networks [4.243356707599485]
スパイキングニューラルネットワーク(SNN)は、幅広い低消費電力ビジョンタスクのための魅力的なHoyer-temporalコンピューティングパラダイムとして登場した。我々は,最近提案された正規化器の新たな変種を利用したワンタイムSNNのためのトレーニングフレームワーク(スクラッチから)を提案する。我々のアプローチは、複雑な画像認識タスクに対する精度-FLOPのトレードオフの観点から、既存のスパイキング、バイナリ、加算ニューラルネットワークよりも優れています。
論文参考訳（メタデータ） (2022-12-20T11:16:06Z)
Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
論文参考訳（メタデータ） (2022-09-23T14:18:39Z)
Model2Detector:Widening the Information Bottleneck for Out-of-Distribution Detection using a Handful of Gradient Steps [12.263417500077383]
アウト・オブ・ディストリビューション検出は、長いバニラニューラルネットワークを持つ重要な機能である。推論時間外分布検出の最近の進歩は、これらの問題のいくつかを緩和するのに役立つ。提案手法は,一般的な画像データセットにおける検出精度において,常に最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-02-22T23:03:40Z)
Adversarial Examples Detection with Bayesian Neural Network [57.185482121807716]
本稿では,ランダムな成分が予測器の滑らかさを向上できるという観測によって動機づけられた敵の例を検出するための新しい枠組みを提案する。本稿では,BATer を略した新しいベイズ対向型サンプル検出器を提案し,対向型サンプル検出の性能を向上させる。
論文参考訳（メタデータ） (2021-05-18T15:51:24Z)
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)
Forensicability of Deep Neural Network Inference Pipelines [68.8204255655161]
本研究では,観測可能な出力に特徴的な数値偏差をトレースすることで,機械学習パイプラインの実行環境の特性を推定する手法を提案する。一連の概念実証実験の結果は、ディープニューラルネットワーク予測を生成するために使用されるハードウェアプラットフォームの識別など、法医学的な応用をもたらす。
論文参考訳（メタデータ） (2021-02-01T15:41:49Z)
DAQ: Distribution-Aware Quantization for Deep Image Super-Resolution Networks [49.191062785007006]
画像超解像のための深い畳み込みニューラルネットワークの定量化は、計算コストを大幅に削減する。既存の作業は、4ビット以下の超低精度の厳しい性能低下に苦しむか、または性能を回復するために重い微調整プロセスを必要とします。高精度なトレーニングフリー量子化を実現する新しい分散認識量子化方式(DAQ)を提案する。
論文参考訳（メタデータ） (2020-12-21T10:19:42Z)
Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文参考訳（メタデータ） (2020-11-17T12:52:18Z)
A Light-Weighted Convolutional Neural Network for Bitemporal SAR Image Change Detection [40.58864817923371]
計算と空間の複雑さを低減するために,軽量なニューラルネットワークを提案する。提案するネットワークでは、通常の畳み込み層を、入力と出力の間に同じ数のチャネルを保持するボトルネック層に置き換える。両時間SAR画像の4つのセット上で、重み付けされたニューラルネットワークを検証する。
論文参考訳（メタデータ） (2020-05-29T04:01:32Z)
A Novel Visual Fault Detection and Classification System for Semiconductor Manufacturing Using Stacked Hybrid Convolutional Neural Networks [0.24999074238880484]
半導体産業における自動視覚検査は、製造欠陥を検出し分類することを目的としている。この貢献により、新しいディープニューラルネットワークベースのハイブリッドアプローチが導入される。階層化されたハイブリッド畳み込みニューラルネットワーク(SH-CNN)を構成し、視覚的注意の現在のアプローチにインスパイアされたシステムは、その構造から詳細レベルに焦点をあてる。
論文参考訳（メタデータ） (2019-11-25T21:58:28Z)

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。