論文の概要: Active Learning and Approximate Model Calibration for Automated Visual
Inspection in Manufacturing
- arxiv url: http://arxiv.org/abs/2209.05486v1
- Date: Mon, 12 Sep 2022 15:00:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 12:04:39.246800
- Title: Active Learning and Approximate Model Calibration for Automated Visual
Inspection in Manufacturing
- Title(参考訳): 製造工程における視覚自動検査のためのアクティブラーニングと近似モデル校正
- Authors: Jo\v{z}e M. Ro\v{z}anec, Luka Bizjak, Elena Trajkova, Patrik Zajec,
Jelle Keizer, Bla\v{z} Fortuna, Dunja Mladeni\'c
- Abstract要約: 本研究は,3つの積極的学習アプローチ(単一と複数オーラクル)と視覚検査を比較した。
本稿では,分類モデルの確率キャリブレーションに対する新しいアプローチと,基礎的真理を必要とせずにキャリブレーションの性能を評価するための2つの新しい指標を提案する。
- 参考スコア(独自算出の注目度): 0.415623340386296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quality control is a crucial activity performed by manufacturing enterprises
to ensure that their products meet quality standards and avoid potential damage
to the brand's reputation. The decreased cost of sensors and connectivity
enabled increasing digitalization of manufacturing. In addition, artificial
intelligence enables higher degrees of automation, reducing overall costs and
time required for defect inspection. This research compares three active
learning approaches (with single and multiple oracles) to visual inspection. We
propose a novel approach to probabilities calibration of classification models
and two new metrics to assess the performance of the calibration without the
need for ground truth. We performed experiments on real-world data provided by
Philips Consumer Lifestyle BV. Our results show that explored active learning
settings can reduce the data labeling effort by between three and four percent
without detriment to the overall quality goals, considering a threshold of
p=0.95. Furthermore, we show that the proposed metrics successfully capture
relevant information otherwise available to metrics used up to date only
through ground truth data. Therefore, the proposed metrics can be used to
estimate the quality of models' probability calibration without committing to a
labeling effort to obtain ground truth data.
- Abstract(参考訳): 品質管理は、製造企業が製品の品質基準を満たし、ブランドの評判を損なう可能性を避けるために行う重要な活動である。
センサーのコストと接続の削減により、製造のデジタル化が促進された。
さらに、人工知能はより高度な自動化を可能にし、欠陥検査に必要な全体的なコストと時間を削減する。
本研究は,3つの積極的学習アプローチ(単一と複数オーラクル)と視覚検査を比較した。
本稿では,分類モデルの確率キャリブレーションに対する新しいアプローチと,基礎的真理を必要とせずにキャリブレーションの性能を評価するための2つの新しい指標を提案する。
philips consumer lifestyle bvによる実世界データ実験を行った。
その結果, アクティブな学習環境を探索することで, p=0.95の閾値を考慮し, 全体的な品質目標を損なうことなく, データラベル作成の労力を3~4%削減できることがわかった。
さらに, 提案手法では, 基礎的真理データのみを用いて, これまでの測定値と異なり, 適切な情報を収集できることを示す。
したがって,提案手法は,真理データを得るためのラベル付け作業にコミットすることなく,モデルの確率校正の質を推定できる。
関連論文リスト
- QualEval: Qualitative Evaluation for Model Improvement [86.29905469151566]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳(メタデータ) (2023-11-06T00:21:44Z) - Towards Calibrated Robust Fine-Tuning of Vision-Language Models [83.06807954664431]
我々は、最先端の頑健な微調整が、事前訓練された視覚言語モデルの校正を損なうことを示す。
ドメイン間のIDキャリブレーションとロバスト予測をインセンティブとするキャリブレーション型ロバスト微調整法であるCaRotを提案する。
論文 参考訳(メタデータ) (2023-11-03T05:41:25Z) - From Quantity to Quality: Boosting LLM Performance with Self-Guided Data
Selection for Instruction Tuning [54.222609226692015]
我々は大規模言語モデルのための自己誘導手法を導入し、大規模なオープンソースデータセットからサクラサンプルを自律的に識別し、選択する。
私たちの重要なイノベーションであるIFD(Instruction-Following Difficulty)メトリックは、モデルが期待する応答と自動生成技術との間の相違を識別するための重要なツールとして現れます。
論文 参考訳(メタデータ) (2023-08-23T09:45:29Z) - A Study of Unsupervised Evaluation Metrics for Practical and Automatic
Domain Adaptation [15.728090002818963]
教師なしドメイン適応(UDA)メソッドは、ラベルなしでターゲットドメインへのモデル転送を容易にする。
本稿では,対象の検証ラベルにアクセスすることなく,移動モデルの品質を評価できる評価指標を見つけることを目的とする。
論文 参考訳(メタデータ) (2023-08-01T05:01:05Z) - Robust Anomaly Map Assisted Multiple Defect Detection with Supervised
Classification Techniques [0.440401067183266]
DRAEM技術は教師なし分類のための最先端性能を示す。
異常マップを作成する能力は、おそらく欠陥がある部分を強調することで、教師付き分類モデルに手がかりを与えることができる。
論文 参考訳(メタデータ) (2022-12-19T10:37:30Z) - Synthetic Data Augmentation Using GAN For Improved Automated Visual
Inspection [0.440401067183266]
最先端の教師なし欠陥検出は教師付きモデルの性能と一致しない。
AUC ROCスコアが 0,9898 以上である GAN ベースのデータ生成を考慮し, 最高の分類性能が得られた。
論文 参考訳(メタデータ) (2022-12-19T09:31:15Z) - ZeroGen$^+$: Self-Guided High-Quality Data Generation in Efficient
Zero-Shot Learning [97.2907428983142]
ZeroGenは、純粋にPLMを使用してデータを生成し、タスク固有のアノテーションに頼ることなく、小さなモデルをトレーニングする。
金のデータを必要とせずに、サンプルごとの重み付けを学習できるノイズローバストなバイレベル再重み付けフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-25T11:38:48Z) - Streaming Machine Learning and Online Active Learning for Automated
Visual Inspection [0.6299766708197884]
我々は,Philips Consumer Lifestyle BVが提供する実世界のデータと,視覚的欠陥検査に適用された5つのストリーミング機械学習アルゴリズムを比較した。
以上の結果から,アクティブラーニングがデータラベリングの労力を,最悪の場合平均で約15%削減できることが示唆された。
自動視覚検査に機械学習モデルを使用することで、品質検査を最大40%高速化することが期待されている。
論文 参考訳(メタデータ) (2021-10-15T09:39:04Z) - Active Learning for Automated Visual Inspection of Manufactured Products [0.6299766708197884]
実世界のデータを用いた視覚的欠陥検査に応用した3つのアクティブな学習手法と5つの機械学習アルゴリズムを比較した。
その結果,アクティブラーニングは,モデルの性能を損なうことなく,データラベリングの労力を削減できることが示唆された。
論文 参考訳(メタデータ) (2021-09-06T13:44:25Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳(メタデータ) (2021-06-22T16:53:09Z) - How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating
and Auditing Generative Models [95.8037674226622]
ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。
当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
論文 参考訳(メタデータ) (2021-02-17T18:25:30Z)
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。