論文の概要: SCNet: A Generalized Attention-based Model for Crack Fault Segmentation

• arxiv url: http://arxiv.org/abs/2112.01426v1
• Date: Thu, 2 Dec 2021 17:16:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 17:02:57.861166
• Title: SCNet: A Generalized Attention-based Model for Crack Fault Segmentation
• Title（参考訳）: scnet:亀裂断層分割のための一般化注意モデル
• Authors: Hrishikesh Sharma, Prakhar Pradhan, Balamuralidhar P
• Abstract要約: 異常検出と局所化は、複数のアプリケーションを持つ重要な視覚問題である。 大規模なインフラにおける定期的な健康モニタリングと故障(異常)検出は、視覚に基づく異常セグメンテーションの応用分野である。 き裂は臨界かつ頻繁な表面断層であり、極端にジグザグ型の細い細長い領域として現れる。 そこで本研究では,様々なシナリオにまたがるセグメンテーション性能の一般化と改善という,自動クラックセグメンテーション問題のオープンな側面を,異なるモデル化によって解決する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection and localization is an important vision problem, having multiple applications. Effective and generic semantic segmentation of anomalous regions on various different surfaces, where most anomalous regions inherently do not have any obvious pattern, is still under active research. Periodic health monitoring and fault (anomaly) detection in vast infrastructures, which is an important safety-related task, is one such application area of vision-based anomaly segmentation. However, the task is quite challenging due to large variations in surface faults, texture-less construction material/background, lighting conditions etc. Cracks are critical and frequent surface faults that manifest as extreme zigzag-shaped thin, elongated regions. They are among the hardest faults to detect, even with deep learning. In this work, we address an open aspect of automatic crack segmentation problem, that of generalizing and improving the performance of segmentation across a variety of scenarios, by modeling the problem differently. We carefully study and abstract the sub-problems involved and solve them in a broader context, making our solution generic. On a variety of datasets related to surveillance of different infrastructures, under varying conditions, our model consistently outperforms the state-of-the-art algorithms by a significant margin, without any bells-and-whistles. This performance advantage easily carried over in two deployments of our model, tested against industry-provided datasets. Even further, we could establish our model's performance for two manufacturing quality inspection scenarios as well, where the defect types are not just crack equivalents, but much more and different. Hence we hope that our model is indeed a truly generic defect segmentation model.
• Abstract（参考訳）: 異常検出と局所化は、複数のアプリケーションを持つ重要な視覚問題である。 ほとんどの異常領域が本質的に明確なパターンを持っていない様々な異なる表面上の異常領域の有効かつ汎用的なセマンティクスセグメンテーションは、現在も活発に研究されている。 安全に関する重要な課題である巨大なインフラにおける定期的な健康モニタリングと障害(異常)検出は、視覚に基づく異常セグメンテーションの応用分野である。 しかし, 表面欠陥, テクスチャのない建設資材・裏地, 照明条件など多岐にわたるため, 非常に困難な作業である。 き裂は臨界かつ頻繁な表面断層であり、極端にジグザグ型の細長い領域として現れる。 深層学習においても、検出するのが最も難しい障害のひとつです。 そこで本研究では,様々なシナリオにまたがるセグメンテーション性能の一般化と改善という,自動クラックセグメンテーション問題のオープンな側面を,異なるモデル化により解決する。 我々は、関連するサブプロブレムを慎重に研究し、抽象化し、より広い文脈で解決し、ソリューションを汎用化する。 異なるインフラストラクチャの監視に関連するさまざまなデータセットについて,さまざまな条件下では,我々のモデルは,最先端のアルゴリズムを,ベル・アンド・ホイストを伴わずに,一貫してかなりのマージンで上回っています。 この性能上の優位性は、業界が提供するデータセットに対してテストされたモデルの2つのデプロイメントで容易に実現できます。 さらには、欠陥タイプがクラック等価であるだけでなく、はるかに異なる2つの製造品質検査シナリオにおいて、モデルのパフォーマンスを確立することも可能です。 したがって、私たちのモデルが本当にジェネリックな欠陥セグメンテーションモデルであることを願っています。

関連論文リスト

• 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)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Designing a Hybrid Neural System to Learn Real-world Crack Segmentation from Fractal-based Simulation [7.0156884721768575]
  フラクタルとそれに対応するフルアノテートクラックデータセットに基づく高忠実度クラックグラフィーシミュレータを提案する。 次に、シミュレーションから一般化可能な表現を学習するシステムで後者を補完する。 最後に、シミュレーションを実際のギャップにブリッジすることで、どのように異なる設計選択が共生的であるかを実証的に強調し、最終的に、我々の導入したシステムが現実世界のひび割れのセグメンテーションを効果的に処理できることを実証する。
  論文  参考訳（メタデータ） (2023-09-18T10:13:03Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Task-Adaptive Meta-Learning Framework for Advancing Spatial Generalizability [5.448577641039577]
  本研究では、地域的に異質なデータを位置感応的なメタタスクに組み込むモデルに依存しないメタ学習フレームワークを提案する。 提案手法の1つの大きな利点は、多種多様なタスクへのモデル適応を改善することである。 また、対応する難易度のメタモデルを新しいタスクに自動的に適応させることで、モデルの一般化を強化する。
  論文  参考訳（メタデータ） (2022-12-10T01:50:35Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Time Series Anomaly Detection via Reinforcement Learning-Based Model Selection [3.1692938090731584]
  時系列異常検出は、実世界のシステムの信頼性と効率的な運用において重要である。 本研究では、異常検出モデルのプールがアクセス可能であると仮定し、強化学習を利用して候補モデルを動的に選択することを提案する。 提案手法は,全体の性能において,すべてのベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-19T22:10:35Z)
• Building an Automated and Self-Aware Anomaly Detection System [0.0]
  異常に対して多種多様かつ常に変化する時系列を積極的に監視することは困難である。 伝統的に、データ生成プロセスとパターンのバリエーションは、異常を正確にフラグするモデルを作成するために、強力なモデリングの専門知識を必要としてきた。 本稿では,手作業による介入を必要とせず,各モデルに必要な変更を加えることで,この共通課題を克服する異常検出システムについて述べる。
  論文  参考訳（メタデータ） (2020-11-10T11:19:07Z)

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。