Fugu-MT 論文翻訳(概要): Alternative Data Augmentation for Industrial Monitoring using Adversarial Learning

論文の概要: Alternative Data Augmentation for Industrial Monitoring using Adversarial Learning

arxiv url: http://arxiv.org/abs/2205.04222v1
Date: Mon, 9 May 2022 12:16:38 GMT
ステータス: 処理完了
システム内更新日: 2022-05-10 19:22:50.500786
Title: Alternative Data Augmentation for Industrial Monitoring using Adversarial Learning
Title（参考訳）: 対向学習を用いた産業モニタリングのための代替データ拡張
Authors: Silvan Mertes, Andreas Margraf, Steffen Geinitz, Elisabeth Andr\'e
Abstract要約: 本研究では,生成的対向ネットワークを用いたデータ合成の産業的応用について検討する。 2値ラベルの作成には,問題調整三角関数とWGANモデルという2つの異なる手法を適用する。ラベルはピクセル2ピクセルを使用してカラーイメージに変換され、U-Netのトレーニングに使用される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Visual inspection software has become a key factor in the manufacturing industry for quality control and process monitoring. Semantic segmentation models have gained importance since they allow for more precise examination. These models, however, require large image datasets in order to achieve a fair accuracy level. In some cases, training data is sparse or lacks of sufficient annotation, a fact that especially applies to highly specialized production environments. Data augmentation represents a common strategy to extend the dataset. Still, it only varies the image within a narrow range. In this article, a novel strategy is proposed to augment small image datasets. The approach is applied to surface monitoring of carbon fibers, a specific industry use case. We apply two different methods to create binary labels: a problem-tailored trigonometric function and a WGAN model. Afterwards, the labels are translated into color images using pix2pix and used to train a U-Net. The results suggest that the trigonometric function is superior to the WGAN model. However, a precise examination of the resulting images indicate that WGAN and image-to-image translation achieve good segmentation results and only deviate to a small degree from traditional data augmentation. In summary, this study examines an industry application of data synthesization using generative adversarial networks and explores its potential for monitoring systems of production environments. \keywords{Image-to-Image Translation, Carbon Fiber, Data Augmentation, Computer Vision, Industrial Monitoring, Adversarial Learning.
Abstract（参考訳）: 視覚検査ソフトウェアは、品質管理とプロセス監視のために製造業において重要な要素となっている。セマンティックセグメンテーションモデルは、より正確な検査を可能にするため重要になっている。しかし、これらのモデルは十分な精度を達成するために大きな画像データセットを必要とする。トレーニングデータは希少なものや十分なアノテーションが欠けているものもあり、特に高度に専門化された運用環境に適用できる。データ拡張はデータセットを拡張するための一般的な戦略である。それでも、画像は狭い範囲でしか変化しない。本稿では,小さな画像データセットを補完する新しい戦略を提案する。このアプローチは、特定の産業ユースケースである炭素繊維の表面モニタリングに応用される。 2値ラベルの作成には,問題調整三角関数とWGANモデルという2つの異なる手法を適用する。その後、pix2pixを使用してカラー画像に変換され、u-netのトレーニングに使用される。その結果、三角関数はWGANモデルよりも優れていることが示唆された。しかし,得られた画像の精査により,WGANと画像間翻訳が良好なセグメンテーション結果を得ることができ,従来のデータ拡張からわずかにずれていることがわかった。本研究は,生成型adversarial networkを用いたデータ合成の産業応用を考察し,実運用環境のモニタリングシステムへの可能性について検討する。 \keywords{Image-to-Image Translation, Carbon Fiber, Data Augmentation, Computer Vision, Industrial Monitoring, Adversarial Learning。

関連論文リスト

UnSegGNet: Unsupervised Image Segmentation using Graph Neural Networks [9.268228808049951]
この研究は、教師なし医療画像とコンピュータビジョンの幅広い分野に貢献する。これは、現実世界の課題に沿うイメージセグメンテーションのための革新的な方法論である。提案手法は,医用画像,リモートセンシング,物体認識など,多様な応用の可能性を秘めている。
論文参考訳（メタデータ） (2024-05-09T19:02:00Z)
Spectral Image Data Fusion for Multisource Data Augmentation [44.99833362998488]
マルチスペクトル画像やハイパースペクトル画像は、リモートセンシング、天文学的イメージング、精密農業など、さまざまな研究分野で人気が高まっている。機械学習タスクを実行できる無料データの量は比較的少ない。スペクトル画像の領域で開発された人工知能モデルは、固定されたスペクトルシグネチャを持つ入力画像を必要とする。
論文参考訳（メタデータ） (2024-04-05T13:40:18Z)
Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文参考訳（メタデータ） (2024-03-23T22:32:06Z)
Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
論文参考訳（メタデータ） (2024-01-26T08:28:13Z)
BigDatasetGAN: Synthesizing ImageNet with Pixel-wise Annotations [89.42397034542189]
我々は,GAN(Generative Adversarial Network)を介して,大規模ラベル付きデータセットを合成する。我々は、ImageNetで訓練されたクラス条件生成モデルBigGANの画像サンプルを、すべての1kクラスに対して、クラス毎の5つのイメージを手動でアノテートする。我々は、追加の8k実画像のセットをラベル付けして、新しいImageNetベンチマークを作成し、様々な設定でセグメンテーション性能を評価する。
論文参考訳（メタデータ） (2022-01-12T20:28:34Z)
Superpixels and Graph Convolutional Neural Networks for Efficient Detection of Nutrient Deficiency Stress from Aerial Imagery [3.6843744304889183]
リモートセンシングデータから栄養不足地域を特定し、注意が必要な地域へ農家に警告します。ノードベースの分類を行うために,より軽量なグラフベースの手法を提案する。このモデルは、cnnモデルよりも4桁少ないパラメータを持ち、数分で列車が走る。
論文参考訳（メタデータ） (2021-04-20T21:18:16Z)
Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文参考訳（メタデータ） (2021-04-12T21:41:25Z)
Image Augmentation for Multitask Few-Shot Learning: Agricultural Domain Use-Case [0.0]
本稿では,植物フェノミクスドメインの例に基づいて,小規模で不均衡なデータセットに挑戦する。画像拡張フレームワークを導入することで,トレーニングサンプル数を大幅に拡大することができる。本手法は,少数のトレーニングサンプルが利用可能であれば,モデル性能が向上することを示す。
論文参考訳（メタデータ） (2021-02-24T14:08:34Z)
Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文参考訳（メタデータ） (2020-12-09T12:40:13Z)
From ImageNet to Image Classification: Contextualizing Progress on Benchmarks [99.19183528305598]
ImageNet作成プロセスにおける特定の設計選択が、結果のデータセットの忠実性に与える影響について検討する。私たちの分析では、ノイズの多いデータ収集パイプラインが、結果のベンチマークと、それがプロキシとして機能する実世界のタスクとの間に、体系的なミスアライメントをもたらす可能性があることを指摘しています。
論文参考訳（メタデータ） (2020-05-22T17:39:16Z)
Inspector Gadget: A Data Programming-based Labeling System for Industrial Images [9.087890731629097]
インスペクタガジェット(Inspector Gadget)は、クラウドソーシング、データ拡張、データプログラミングを組み合わせて、画像分類のための大規模に弱いラベルを生成するイメージラベリングシステムである。実産業画像データセットの実験を行い、検査器ガジェットが他の弱いラベル付け技術よりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2020-04-07T11:00:29Z)

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。