論文の概要: Utilizing Active Machine Learning for Quality Assurance: A Case Study of
Virtual Car Renderings in the Automotive Industry
- arxiv url: http://arxiv.org/abs/2110.09023v1
- Date: Mon, 18 Oct 2021 05:43:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 13:26:15.651006
- Title: Utilizing Active Machine Learning for Quality Assurance: A Case Study of
Virtual Car Renderings in the Automotive Industry
- Title（参考訳）: アクティブ機械学習による品質保証--自動車産業におけるバーチャルカーレンダリングを事例として
- Authors: Patrick Hemmer, Niklas K\"uhl, Jakob Sch\"offer
- Abstract要約: 本稿では,不良な仮想車のレンダリングを識別するためにラベル付きインスタンスを著しく少なくする,アクティブな機械学習ベースの品質保証システムを提案する。
このシステムをドイツの自動車メーカーに導入することにより、スタートアップの難しさを克服し、検査プロセスの効率を向上し、経済的優位性を実現することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Computer-generated imagery of car models has become an indispensable part of
car manufacturers' advertisement concepts. They are for instance used in car
configurators to offer customers the possibility to configure their car online
according to their personal preferences. However, human-led quality assurance
faces the challenge to keep up with high-volume visual inspections due to the
car models' increasing complexity. Even though the application of machine
learning to many visual inspection tasks has demonstrated great success, its
need for large labeled data sets remains a central barrier to using such
systems in practice. In this paper, we propose an active machine learning-based
quality assurance system that requires significantly fewer labeled instances to
identify defective virtual car renderings without compromising performance. By
employing our system at a German automotive manufacturer, start-up difficulties
can be overcome, the inspection process efficiency can be increased, and thus
economic advantages can be realized.
- Abstract（参考訳）: 自動車モデルのコンピュータ生成画像は、自動車メーカーの広告コンセプトに欠かせない部分となっている。
例えば、自動車設定装置で使用されており、顧客は自分の好みに応じてオンラインで車を設定することができる。
しかし、車種が複雑化しているため、人間主導の品質保証は大量視覚検査に追随する課題に直面している。
多くの視覚検査タスクへの機械学習の適用は大きな成功を収めているが、大規模なラベル付きデータセットの必要性は、実際にこのようなシステムを使用する上での中心的な障壁である。
本稿では,性能を損なうことなく仮想車レンダリングの欠陥を特定するためにラベル付きインスタンスを著しく少なくする,アクティブな機械学習ベースの品質保証システムを提案する。
このシステムをドイツの自動車メーカーに導入することにより、起動困難を克服し、検査工程の効率を向上し、経済的優位性を実現することができる。
関連論文リスト
- Veri-Car: Towards Open-world Vehicle Information Retrieval [0.9401437561978983]
本稿では,この課題を支援するための情報検索統合手法であるVeri-Carを提案する。
教師付き学習技術を利用して、車のメイク、タイプ、モデル、年、色、ナンバープレートを正確に識別する。
このアプローチはまた、新しい車モデルやバリエーションが頻繁に現れるような、オープンワールドの問題を扱うという課題にも対処する。
論文 参考訳（メタデータ） (2024-11-11T10:56:40Z) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳（メタデータ） (2024-03-26T04:27:56Z) - A Car Model Identification System for Streamlining the Automobile Sales
Process [0.0]
本研究は,自動車モデルと画像の効率的な識別のための自動解法を提案する。
我々は、EfficientNet (V2 b2)アーキテクチャを使用した81.97%の顕著な精度を達成した。
トレーニングされたモデルは、情報抽出を自動化する可能性を提供し、自動車販売ウェブサイト全体でのユーザエクスペリエンスの向上を約束する。
論文 参考訳（メタデータ） (2023-10-19T23:36:17Z) - Hardware Accelerators in Autonomous Driving [5.317893030884531]
ハードウェアアクセラレーターは、自動運転車がより高いレベルの自律性のためにパフォーマンス要件を満たすのを助ける特別な目的のコプロセッサである。
本稿では,MLアクセラレータの概要と,自律走行車におけるマシンビジョンの利用例を紹介する。
論文 参考訳（メタデータ） (2023-08-11T10:07:33Z) - Can Fairness be Automated? Guidelines and Opportunities for
Fairness-aware AutoML [52.86328317233883]
本報告では、公平性に関連する害が発生する様々な方法の概要を概説する。
この方向に進むためには、いくつかのオープンな技術的課題を強調します。
論文 参考訳（メタデータ） (2023-03-15T09:40:08Z) - Learning Self-Regularized Adversarial Views for Self-Supervised Vision
Transformers [105.89564687747134]
本稿では,自己監督型視覚変換器のビューを学習するための自己正規化自動拡張手法を提案する。
まず、ビューとネットワークパラメータを同時に学習することで、AutoViewの検索コストをほぼゼロに削減する。
また、自己教師型学習のための強化政策探索空間も提示する。
論文 参考訳（メタデータ） (2022-10-16T06:20:44Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-26T02:08:07Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Deep Learning Models for Visual Inspection on Automotive Assembling Line [2.594420805049218]
本稿では,深層学習を用いた視覚検査支援手法を提案する。
提案手法は、実際の自動車組立ラインにおける4つの概念実証によって説明される。
論文 参考訳（メタデータ） (2020-07-02T20:00:45Z)
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。