論文の概要: MIMII DG: Sound Dataset for Malfunctioning Industrial Machine
Investigation and Inspection for Domain Generalization Task
- arxiv url: http://arxiv.org/abs/2205.13879v1
- Date: Fri, 27 May 2022 10:19:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 13:25:05.359206
- Title: MIMII DG: Sound Dataset for Malfunctioning Industrial Machine
Investigation and Inspection for Domain Generalization Task
- Title(参考訳): MIMII DG: 産業機械の故障調査のための音響データセットと領域一般化タスクの検査
- Authors: Kota Dohi, Tomoya Nishida, Harsh Purohit, Ryo Tanabe, Takashi Endo,
Masaaki Yamamoto, Yuki Nikaido, and Yohei Kawaguchi
- Abstract要約: 異常音検出(ASD)のための領域一般化手法をベンチマークするための機械音響データセットを提案する。
本稿では,MIMII DG と呼ばれる領域一般化技術のための最初の ASD データセットを提案する。
- 参考スコア(独自算出の注目度): 9.17388311687786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a machine sound dataset to benchmark domain generalization
techniques for anomalous sound detection (ASD). To handle performance
degradation caused by domain shifts that are difficult to detect or too
frequent to adapt, domain generalization techniques are preferred. However,
currently available datasets have difficulties in evaluating these techniques,
such as limited number of values for parameters that cause domain shifts
(domain shift parameters). In this paper, we present the first ASD dataset for
the domain generalization techniques, called MIMII DG. The dataset consists of
five machine types and three domain shift scenarios for each machine type. We
prepared at least two values for the domain shift parameters in the source
domain. Also, we introduced domain shifts that can be difficult to notice.
Experimental results using two baseline systems indicate that the dataset
reproduces the domain shift scenarios and is useful for benchmarking domain
generalization techniques.
- Abstract(参考訳): 本稿では,異常音検出(asd)のためのベンチマーク領域一般化手法として,機械音響データセットを提案する。
ドメインシフトの検出や適応が難しい、あるいは頻繁なドメインシフトによるパフォーマンス劣化に対処するため、ドメイン一般化技術が好まれる。
しかし、現在利用可能なデータセットは、ドメインシフトを引き起こすパラメータ(ドメインシフトパラメータ)の値数が限られているなど、これらのテクニックを評価するのに困難である。
本稿では,MIMII DG と呼ばれる領域一般化技術のための最初の ASD データセットを提案する。
データセットは5つのマシンタイプと3つのドメインシフトシナリオで構成されている。
ソースドメイン内の領域シフトパラメータに対して,少なくとも2つの値を用意した。
また、気づくのが難しいようなドメインシフトも導入しました。
2つのベースラインシステムを用いた実験結果は、データセットがドメインシフトシナリオを再現することを示している。
関連論文リスト
- SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [66.53828093487269]
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) - Industrial Anomaly Detection with Domain Shift: A Real-world Dataset and
Masked Multi-scale Reconstruction [2.921945366485149]
産業品質検査の自動化には,産業異常検出(IAD)が不可欠である。
既存のIADデータセットは、データカテゴリの多様性に重点を置いている。
本稿では,2つのサブデータセットからなるエアロエンジンブレード異常検出(AeBAD)データセットを提案する。
論文 参考訳(メタデータ) (2023-04-05T04:07:54Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳(メタデータ) (2022-12-14T15:54:15Z) - Description and Discussion on DCASE 2022 Challenge Task 2: Unsupervised
Anomalous Sound Detection for Machine Condition Monitoring Applying Domain
Generalization Techniques [35.54126113756623]
音響シーン・イベントの検出・分類のタスク記述について紹介する。2022 課題2:「ドメイン一般化技術を適用した機械状態監視のための教師なし異常音検出(ASD)」。
本稿では,DCASE 2021 Challenge Task 2において,ドメインシフトを扱うためのASDタスクを編成した。
2022タスク2では,ドメインシフトによらず異常を検出する領域一般化技術に注目した。
論文 参考訳(メタデータ) (2022-06-13T02:06:15Z) - Domain Adaptation for Time-Series Classification to Mitigate Covariate
Shift [3.071136270246468]
本稿では,2つのステップに基づいた新しいドメイン適応手法を提案する。
まず、いくつかのサンプルから、ソースからターゲットドメインへの最適なクラス依存変換を探索する。
次に、埋め込み類似性技術を用いて、推論時に対応する変換を選択する。
論文 参考訳(メタデータ) (2022-04-07T10:27:14Z) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳(メタデータ) (2022-04-06T09:13:25Z) - TAL: Two-stream Adaptive Learning for Generalizable Person
Re-identification [115.31432027711202]
我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。
これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。
我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
論文 参考訳(メタデータ) (2021-11-29T01:27:42Z) - Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。
本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。
検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
論文 参考訳(メタデータ) (2021-06-02T05:21:25Z) - MIMII DUE: Sound Dataset for Malfunctioning Industrial Machine
Investigation and Inspection with Domain Shifts due to Changes in Operational
and Environmental Conditions [5.441198440485553]
本稿では,産業機械の故障調査とドメインシフトによる検査のための新しいデータセットを提案する。
ドメインシフトに対する堅牢性をチェックするには、ドメインシフトを持つデータセットが必要です。
データセットはDCASE 2021 Challenge Task 2のデータセットのサブセットであり、https://zenodo.org/record/4740355.comで自由に利用できる。
論文 参考訳(メタデータ) (2021-05-06T14:18:24Z) - Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。
DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。
時系列センサと画像分類公開データセットの両方で競合性能を得る。
論文 参考訳(メタデータ) (2021-02-17T17:46:06Z) - Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。
本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。
我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
論文 参考訳(メタデータ) (2020-07-17T22:05:09Z)
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。