論文の概要: Text Detection on Technical Drawings for the Digitization of Brown-field Processes

• arxiv url: http://arxiv.org/abs/2205.02659v1
• Date: Thu, 5 May 2022 13:59:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-06 14:55:25.411512
• Title: Text Detection on Technical Drawings for the Digitization of Brown-field Processes
• Title（参考訳）: ブラウンフィールドプロセスのディジタイズのための技術図面上のテキスト検出
• Authors: Tobias Schlagenhauf, Markus Netzer, Jan Hillinger
• Abstract要約: 技術図面上のテキストの検出は、自律生産機械にとって重要なステップである。 技術図面上のテキストを自動的に検出する問題は,まだ解決されていない。 本稿では、ドメイン知識に基づくジェネレータを用いて、最先端のオブジェクト検出モデルとリアルな技術図面を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper addresses the issue of autonomously detecting text on technical drawings. The detection of text on technical drawings is a critical step towards autonomous production machines, especially for brown-field processes, where no closed CAD-CAM solutions are available yet. Automating the process of reading and detecting text on technical drawings reduces the effort for handling inefficient media interruptions due to paper-based processes, which are often todays quasi-standard in brown-field processes. However, there are no reliable methods available yet to solve the issue of automatically detecting text on technical drawings. The unreliable detection of the contents on technical drawings using classical detection and object character recognition (OCR) tools is mainly due to the limited number of technical drawings and the captcha-like structure of the contents. Text is often combined with unknown symbols and interruptions by lines. Additionally, due to intellectual property rights and technical know-how issues, there are no out-of-the box training datasets available in the literature to train such models. This paper combines a domain knowledge-based generator to generate realistic technical drawings with a state-of-the-art object detection model to solve the issue of detecting text on technical drawings. The generator yields artificial technical drawings in a large variety and can be considered as a data augmentation generator. These artificial drawings are used for training, while the model is tested on real data. The authors show that artificially generated data of technical drawings improve the detection quality with an increasing number of drawings.
• Abstract（参考訳）: 本稿では,技術図面上のテキストを自動検出する問題に対処する。 技術的図面上のテキストの検出は、特にクローズドcad-camソリューションがまだ存在しないブラウンフィールドプロセスにおいて、自律生産マシンへの重要なステップである。 技術図面上のテキストの読み出しと検出のプロセスを自動化することで、紙ベースのプロセスによる非効率なメディア中断処理の労力が削減される。 しかし、技術図面上のテキストを自動的に検出する問題は、まだ解決されていない。 古典的検出・オブジェクト文字認識(OCR)ツールを用いた技術図面の内容の信頼性の低い検出は,技術図面の限られた数と内容のカプチャ様構造が主な原因である。 テキストはしばしば未知のシンボルと行による中断と組み合わせられる。 さらに、知的財産権と技術的ノウハウの問題のため、そのようなモデルをトレーニングするための文献で利用可能なアウトオブボックストレーニングデータセットは存在しない。 本稿では, ドメイン知識に基づく生成装置を組み合わせることで, 実写的な技術図面と最先端のオブジェクト検出モデルを組み合わせて, 技術図面上のテキスト検出問題を解く。 このジェネレータは、多種多様な人工的な技術図面を生成し、データ拡張ジェネレータとみなすことができる。 これらの人工図面はトレーニングに使用され、モデルは実際のデータでテストされる。 著者らは, 技術図面の人工的生成データにより, 検出精度が向上し, 図面数が増えることを示した。

関連論文リスト

• Terrain characterisation for online adaptability of automated sonar processing: Lessons learnt from operationally applying ATR to sidescan sonar in MCM applications [0.0]
  本稿では,AUV(Autonomous Underwater Vehicles)ミッションにおける説明性向上のための2つのオンライン海底特性評価手法を提案する。 どちらの手法も、地形の複雑さに対する人間の理解に関連する地形の特徴を抽出するために、教師なしの機械学習アプローチに依存している。 最初の技術は、ATRアルゴリズムの性能に基づいて、定量的でアプリケーション駆動の地形特性指標を提供する。 第2の方法は,主題の専門知識を取り入れ,シナリオ依存型主観的地形特徴化を支援するための文脈化と説明可能性を実現する方法である。
  論文  参考訳（メタデータ） (2024-04-29T12:48:42Z)
• Research on Splicing Image Detection Algorithms Based on Natural Image Statistical Characteristics [12.315852697312195]
  本稿では,自然画像の統計的特徴に基づく新しいスプライシング画像検出アルゴリズムを提案する。 従来の手法の限界を解析することにより,高度な統計解析手法と機械学習手法を統合した検出フレームワークを開発した。 このアルゴリズムは、複数の公開データセットを用いて検証され、スプライシングエッジの検出と、改ざんされた領域の特定に高い精度を示す。
  論文  参考訳（メタデータ） (2024-04-25T02:28:16Z)
• Advanced Knowledge Extraction of Physical Design Drawings, Translation and conversion to CAD formats using Deep Learning [0.0]
  本研究では,ディープラーニング手法を利用した革新的な手法を提案する。 このアプローチでは、物理的な描画オブジェクトを検出するために、Yolov7やFaster R-CNNといったオブジェクト検出モデルを採用している。 光文字認識(OCR)ツールは、図面からテキスト要素を識別して抽出するために統合される。
  論文  参考訳（メタデータ） (2024-03-17T18:06:06Z)
• Enhancing Scene Text Detectors with Realistic Text Image Synthesis Using Diffusion Models [63.99110667987318]
  DiffTextは、前景のテキストと背景の本質的な特徴をシームレスにブレンドするパイプラインです。 テキストインスタンスが少なくなると、生成したテキストイメージはテキスト検出を支援する他の合成データを一貫して上回ります。
  論文  参考訳（メタデータ） (2023-11-28T06:51:28Z)
• Watermarking Conditional Text Generation for AI Detection: Unveiling Challenges and a Semantic-Aware Watermark Remedy [52.765898203824975]
  本研究では,条件付きテキスト生成と入力コンテキストの特性を考慮した意味認識型透かしアルゴリズムを提案する。 実験結果から,提案手法は様々なテキスト生成モデルに対して大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-07-25T20:24:22Z)
• A Novel Pipeline for Improving Optical Character Recognition through Post-processing Using Natural Language Processing [2.9499386124223257]
  自然言語処理(NLP)ツールを用いた後処理手法を提案する。 この研究は、まず手書きまたは印刷されたテキストでOCRを実行し、次にNLPを使用してその精度を向上させるエンドツーエンドパイプラインを示す。
  論文  参考訳（メタデータ） (2023-07-09T18:51:17Z)
• I Know What You Draw: Learning Grasp Detection Conditioned on a Few Freehand Sketches [74.63313641583602]
  そこで本研究では,スケッチ画像に関連のある潜在的な把握構成を生成する手法を提案する。 私たちのモデルは、現実世界のアプリケーションで簡単に実装できるエンドツーエンドで訓練され、テストされています。
  論文  参考訳（メタデータ） (2022-05-09T04:23:36Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• Artificial Text Detection via Examining the Topology of Attention Maps [58.46367297712477]
  トポロジカルデータ分析(TDA)に基づく3種類の解釈可能なトポロジカル特徴を提案する。 BERTモデルから派生した特徴が3つの共通データセットにおいて、カウントベースとニューラルベースベースラインを最大10%上回っていることを実証的に示す。 特徴の探索解析は表面に対する感度と構文的性質を明らかにしている。
  論文  参考訳（メタデータ） (2021-09-10T12:13:45Z)
• TEACHTEXT: CrossModal Generalized Distillation for Text-Video Retrieval [103.85002875155551]
  本研究では,大規模言語前訓練を利用した一般化蒸留法TeachTextを提案する。 提案手法をビデオ側モダリティに拡張し,テスト時に使用するモダリティの数を効果的に削減できることを示す。 提案手法は,いくつかのビデオ検索ベンチマークの精度を著しく向上させ,テスト時の計算オーバーヘッドを増加させない。
  論文  参考訳（メタデータ） (2021-04-16T17:55:28Z)

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。

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。