論文の概要: Fault Detection and Classification of Aerospace Sensors using a VGG16-based Deep Neural Network

• arxiv url: http://arxiv.org/abs/2207.13267v1
• Date: Wed, 27 Jul 2022 03:14:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-28 13:04:41.583764
• Title: Fault Detection and Classification of Aerospace Sensors using a VGG16-based Deep Neural Network
• Title（参考訳）: vgg16型ディープニューラルネットワークを用いた航空宇宙センサの故障検出と分類
• Authors: Zhongzhi Li and Yunmei Zhao and Jinyi Ma and Jianliang Ai and Yiqun Dong
• Abstract要約: イメージフィケーションに基づくインテリジェントFDCという概念が近年研究されている。 本稿ではまず,重ねられた画像をより大きなサイズに膨らませるデータ拡張手法を提案する。 FDCニューラルネットワークは、VGG16を直接微調整することでトレーニングされる。
• 参考スコア（独自算出の注目度）: 1.2599533416395765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared with traditional model-based fault detection and classification (FDC) methods, deep neural networks (DNN) prove to be effective for the aerospace sensors FDC problems. However, time being consumed in training the DNN is excessive, and explainability analysis for the FDC neural network is still underwhelming. A concept known as imagefication-based intelligent FDC has been studied in recent years. This concept advocates to stack the sensors measurement data into an image format, the sensors FDC issue is then transformed to abnormal regions detection problem on the stacked image, which may well borrow the recent advances in the machine vision vision realm. Although promising results have been claimed in the imagefication-based intelligent FDC researches, due to the low size of the stacked image, small convolutional kernels and shallow DNN layers were used, which hinders the FDC performance. In this paper, we first propose a data augmentation method which inflates the stacked image to a larger size (correspondent to the VGG16 net developed in the machine vision realm). The FDC neural network is then trained via fine-tuning the VGG16 directly. To truncate and compress the FDC net size (hence its running time), we perform model pruning on the fine-tuned net. Class activation mapping (CAM) method is also adopted for explainability analysis of the FDC net to verify its internal operations. Via data augmentation, fine-tuning from VGG16, and model pruning, the FDC net developed in this paper claims an FDC accuracy 98.90% across 4 aircraft at 5 flight conditions (running time 26 ms). The CAM results also verify the FDC net w.r.t. its internal operations.
• Abstract（参考訳）: 従来のモデルベース障害検出・分類法(FDC)と比較して、深部ニューラルネットワーク(DNN)は、FDC問題に有効であることが証明されている。 しかし、DNNのトレーニングに費やす時間は過大であり、FDCニューラルネットワークの説明可能性分析はいまだに不足している。 イメージフィケーションに基づくインテリジェントFDCという概念が近年研究されている。 この概念は、センサー計測データを画像形式に積み重ねることを提唱し、センサーFDC問題は、積み重ねられた画像上の異常領域検出問題に変換される。 画像フィケーションに基づくインテリジェントFDC研究では有望な結果が主張されているが、積み重ねられた画像のサイズが小さいため、小さな畳み込みカーネルと浅いDNN層が用いられ、FDC性能を阻害している。 本稿では,まず,重ねられた画像をより大きなサイズに膨らませるデータ拡張手法を提案する(マシンビジョン領域で開発されたVGG16ネットに対応する)。 FDCニューラルネットワークは、VGG16を直接微調整することでトレーニングされる。 FDCネットサイズ(走行時間)を縮小・圧縮するために、細調整ネット上でモデルプルーニングを行う。 クラスアクティベーションマッピング(CAM)法は、FDCネットの説明可能性解析にも適用され、内部動作を検証する。 この論文で開発されたFDCネットは、データ拡張、VGG16からの微調整、モデルプルーニングにより、4機の飛行条件(26ms)で98.90%のFDC精度を主張する。 CAMの結果はFDCネットを内部操作で検証する。

関連論文リスト

• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• Recovering high-quality FODs from a reduced number of diffusion-weighted images using a model-driven deep learning architecture [0.0]
  モデル駆動型深層学習FOD再構成アーキテクチャを提案する。 ネットワークが生成する中間および出力FODが、入力されたDWI信号と一致していることを保証する。 モデルに基づくディープラーニングアーキテクチャは,最先端のFOD超解像ネットワークであるFOD-Netと比較して,競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-07-28T02:47:34Z)
• InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions [95.94629864981091]
  この研究は、パラメータの増加やViTsのようなトレーニングデータから得られるインターンイメージと呼ばれる、CNNベースの新しい大規模ファンデーションモデルを提案する。 提案されたInternImageは、従来のCNNの厳格な帰納バイアスを低減し、ViTのような大規模データから、より強く堅牢なパターンを学習できるようにする。
  論文  参考訳（メタデータ） (2022-11-10T18:59:04Z)
• Low-Energy Convolutional Neural Networks (CNNs) using Hadamard Method [0.0]
  畳み込みニューラルネットワーク(CNN)は、オブジェクト認識と検出の潜在的アプローチである。 畳み込み操作の代替として,アダマール変換に基づく新しいアプローチを示す。 この方法は、入力画像サイズよりもカーネルサイズが小さい場合、他のコンピュータビジョンタスクに役立ちます。
  論文  参考訳（メタデータ） (2022-09-06T21:36:57Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• Augmented Imagefication: A Data-driven Fault Detection Method for Aircraft Air Data Sensors [12.317152569123541]
  航空機用エアデータセンサ(ADS)のFD(Augmented Imagefication for Fault Detection)と呼ばれる新しいデータ駆動方式を提案する。 深層ニューラルネットワーク(DNN)に基づくエッジデバイス上でのオンラインFDスキームを開発し,航空機のリアルタイム監視を実現する。
  論文  参考訳（メタデータ） (2022-06-18T00:06:53Z)
• An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
  本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。 RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。 RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2022-04-06T13:38:11Z)
• CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point Clouds [51.47100091540298]
  本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。 CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
  論文  参考訳（メタデータ） (2021-08-31T23:27:33Z)
• Frequency Domain Convolutional Neural Network: Accelerated CNN for Large Diabetic Retinopathy Image Classification [1.1852751647387592]
  256x256ピクセルの画像サイズは、糖尿病網膜症(DR)分類のようなアプリケーションには小さすぎる。 本研究では、周波数領域の畳み込み(FDC)と周波数領域のプール(FDP)層を提案する。 FDCとFDP層は周波数領域畳み込みニューラルネットワーク(FDCNN)を構築するために使われ、DR分類のための大きな画像のトレーニングを高速化する。
  論文  参考訳（メタデータ） (2021-06-24T02:52:54Z)
• HyNNA: Improved Performance for Neuromorphic Vision Sensor based Surveillance using Hybrid Neural Network Architecture [7.293414498855147]
  領域提案のための形態素画像処理アルゴリズムを用いて,最近提案されたハイブリッドイベントフレームアプローチを改善した。 また、様々な畳み込みニューラルネットワーク(CNN)アーキテクチャを探索することにより、オブジェクト検出と分類の低消費電力要求にも対処する。 具体的には、対象検出フレームワークから得られた結果を最先端の低出力NVS監視システムと比較し、63.1%から82.16%の改善精度を示した。
  論文  参考訳（メタデータ） (2020-03-19T07:18:33Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。