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

• Balancing Label Quantity and Quality for Scalable Elicitation [2.2143065226946423]
  本研究では,NLP分類タスクにおける量品質トレードオフのミクロ経済性について検討する。 教師付き微調整を用いた事前学習モデルから分類知識を抽出する3つの方法について検討した。 固定ラベル付予算において,教師付き微調整の精度を最大5ポイント向上できることがわかった。
  論文  参考訳（メタデータ） (2024-10-17T04:39:58Z)
• Fill In The Gaps: Model Calibration and Generalization with Synthetic Data [2.89287673224661]
  本稿では,合成データを精度良く組み込んだキャリブレーション手法を提案する。 本稿では,予測校正誤差(ECE)をPAC学習フレームワークを用いて導出する。 平均34%の精度, 33%のECE低下を認めた。
  論文  参考訳（メタデータ） (2024-10-07T23:06:42Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  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)
• Learning for Transductive Threshold Calibration in Open-World Recognition [83.35320675679122]
  グラフニューラルネットワークを用いた高剛性と適応性を有するトランスダクティブしきい値キャリブレーション法であるOpenGCNを導入する。 オープンワールドの視覚認識ベンチマークにおける実験は、オープンワールドのしきい値校正のための既存のポストホック校正方法よりもOpenGCNの方が優れていることを検証する。
  論文  参考訳（メタデータ） (2023-05-19T23:52:48Z)
• 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)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• 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。