論文の概要: Few-shot incremental learning in the context of solar cell quality inspection

• arxiv url: http://arxiv.org/abs/2207.00693v1
• Date: Fri, 1 Jul 2022 23:52:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 13:32:41.978958
• Title: Few-shot incremental learning in the context of solar cell quality inspection
• Title（参考訳）: 太陽電池品質検査におけるマイナショットインクリメンタル学習
• Authors: Julen Balzategui, Luka Eciolaza
• Abstract要約: 本研究では,太陽電池品質検査における重量印字技術について検討した。 その結果、この手法により、少数のサンプルで欠陥クラスに関する知識をネットワークが拡張できることが判明した。
• 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: In industry, Deep Neural Networks have shown high defect detection rates surpassing other more traditional manual feature engineering based proposals. This has been achieved mainly through supervised training where a great amount of data is required in order to learn good classification models. However, such amount of data is sometimes hard to obtain in industrial scenarios, as few defective pieces are produced normally. In addition, certain kinds of defects are very rare and usually just appear from time to time, which makes the generation of a proper dataset for training a classification model even harder. Moreover, the lack of available data limits the adaptation of inspection models to new defect types that appear in production as it might require a model retraining in order to incorporate the detects and detect them. In this work, we have explored the technique of weight imprinting in the context of solar cell quality inspection where we have trained a network on three base defect classes, and then we have incorporated new defect classes using few samples. The results have shown that this technique allows the network to extend its knowledge with regard to defect classes with few samples, which can be interesting for industrial practitioners.
• Abstract（参考訳）: 業界では、Deep Neural Networksは、従来の手動機能エンジニアリングに基づく提案よりも高い欠陥検出率を示している。 これは主に、優れた分類モデルを学ぶために大量のデータを必要とする教師付きトレーニングによって達成されている。 しかし、この量のデータは、通常生産される不良品が少ないため、工業的なシナリオでは取得が難しい場合もある。 さらに、ある種の欠陥は非常に稀で、通常は時々現れるだけなので、分類モデルをトレーニングするための適切なデータセットの生成はさらに難しくなります。 さらに、利用可能なデータがないため、検出を組み込んで検出するためにモデルの再トレーニングを必要とする可能性があるため、本番環境に現れる新たな欠陥タイプへのインスペクションモデルの適応が制限される。 本研究では,3つの基本欠陥クラスでネットワークをトレーニングした太陽電池の品質検査の文脈において,重みインプリントの手法を探求し,少数のサンプルを用いて新たな欠陥クラスを組み込んだ。 その結果、この手法により、少数のサンプルによる欠陥クラスに関して、ネットワークが知識を拡張できることが示され、これは工業的実践者にとって興味深いことである。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• PatchProto Networks for Few-shot Visual Anomaly Classification [3.7199945817211315]
  視覚異常診断は、産業品質検査に広く応用されている欠陥製品を自動的に分析することができる。 異常サンプルは実際にはアクセスが難しいため、標準機械学習モデルのトレーニングを阻害する。 本稿では, トレーニング用サンプルの異常が極めて少ない, 現実的な問題について検討する。 数ショットの異常分類のためのPatchProtoネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-07T05:27:55Z)
• A Novel Strategy for Improving Robustness in Computer Vision Manufacturing Defect Detection [1.3198689566654107]
  高性能製造における視覚的品質検査は、コスト削減と改善された厳密さのために自動化の恩恵を受けることができる。 ディープラーニング技術は、分類やオブジェクト検出といった汎用的なコンピュータビジョンタスクの最先端技術である。 データが反復的であり、そこから学ぶべき欠陥や逸脱のイメージがほとんどないからである。
  論文  参考訳（メタデータ） (2023-05-16T12:51:51Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
  本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。 弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。 これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
  論文  参考訳（メタデータ） (2022-03-22T20:24:21Z)
• Improving generalization with synthetic training data for deep learning based quality inspection [0.0]
  教師付きディープラーニングは、トレーニングのために大量の注釈付きイメージを必要とする。 実際には、そのようなデータの収集と注釈付けは費用がかかり、手間がかかる。 ランダムに生成した合成訓練画像を用いることで、領域不安定性に対処できることを示す。
  論文  参考訳（メタデータ） (2022-02-25T16:51:01Z)
• Bridging Non Co-occurrence with Unlabeled In-the-wild Data for Incremental Object Detection [56.22467011292147]
  物体検出における破滅的忘れを緩和するために,いくつかの漸進的学習法が提案されている。 有効性にもかかわらず、これらの手法は新規クラスのトレーニングデータにラベルのないベースクラスの共起を必要とする。 そこで本研究では,新たな授業の訓練において,欠落した基本クラスが原因で生じる非発生を補うために,未ラベルのインザ・ザ・ワイルドデータを使用することを提案する。
  論文  参考訳（メタデータ） (2021-10-28T10:57:25Z)
• Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet Networks [2.7173993697663086]
  表面異常検出はスクラップ生産を減らすために多くの製造業において重要な品質管理の役割を担っている。 ディープラーニング畳み込みニューラルネットワーク(CNN)は、これらの画像処理ベースのソリューションの最前線にある。 本稿では,この課題に対して,距離に基づく異常検出を目標とした表面テクスチャパッチ上でCNNをトレーニングすることで対処する。
  論文  参考訳（メタデータ） (2020-11-09T00:35:21Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)

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。