論文の概要: Model-Assisted Labeling via Explainability for Visual Inspection of Civil Infrastructures

• arxiv url: http://arxiv.org/abs/2209.11159v1
• Date: Thu, 22 Sep 2022 17:14:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 13:43:50.516608
• Title: Model-Assisted Labeling via Explainability for Visual Inspection of Civil Infrastructures
• Title（参考訳）: 公共インフラの視覚検査における説明可能性を利用したモデル支援ラベリング
• Authors: Klara Janouskova, Mattia Rigotti, Ioana Giurgiu, Cristiano Malossi
• Abstract要約: 本稿では、アトリビューション手法を用いて、アノテータとアノテートすべきデータの間の貴重な相互作用を活用することを提案する。 提案手法は,手動による欠陥アノテーションと比較して,アノテータの50%以上の時間を節約できる。
• 参考スコア（独自算出の注目度）: 7.67596842555447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Labeling images for visual segmentation is a time-consuming task which can be costly, particularly in application domains where labels have to be provided by specialized expert annotators, such as civil engineering. In this paper, we propose to use attribution methods to harness the valuable interactions between expert annotators and the data to be annotated in the case of defect segmentation for visual inspection of civil infrastructures. Concretely, a classifier is trained to detect defects and coupled with an attribution-based method and adversarial climbing to generate and refine segmentation masks corresponding to the classification outputs. These are used within an assisted labeling framework where the annotators can interact with them as proposal segmentation masks by deciding to accept, reject or modify them, and interactions are logged as weak labels to further refine the classifier. Applied on a real-world dataset resulting from the automated visual inspection of bridges, our proposed method is able to save more than 50\% of annotators' time when compared to manual annotation of defects.
• Abstract（参考訳）: ビジュアルセグメンテーションのための画像のラベル付けは、特に土木工学のような専門的なアノテータによってラベルを提供するアプリケーションドメインにおいて、コストがかかる作業である。 本稿では,土木インフラの視覚検査のための欠陥分割において,専門家の注釈者と注釈すべきデータとの貴重なインタラクションを活用するための帰属法を提案する。 具体的には、分類器を訓練して欠陥を検知し、帰属法や逆行法と組み合わせて分類出力に対応するセグメンテーションマスクを生成し、洗練する。 これらはアアシストラベリングフレームワーク内で使用され、アノテータが提案のセグメンテーションマスクとして、それらを受け入れ、拒絶し、修正することを決め、対話は弱いラベルとしてログされ、さらに分類器を洗練させる。 橋梁の自動視覚検査から得られた実世界のデータセットに適用することにより,提案手法は,故障の手動アノテーションと比較して,注釈者の時間を50%以上節約できる。

関連論文リスト

• ProMerge: Prompt and Merge for Unsupervised Instance Segmentation [4.297070083645049]
  教師なしのインスタンスセグメンテーションは、人間のラベル付きデータに頼ることなく、イメージ内の異なるオブジェクトインスタンスをセグメントすることを目的としている。 最近の最先端のアプローチでは、自己教師機能を使用して画像をグラフとして表現し、一般化された固有値系を解き、前景マスクを生成する。 Prompt and Merge(ProMerge)を提案する。これは、セルフ教師付き視覚機能を利用して、パッチの初期グループ化を取得し、これらのセグメントに戦略的マージを適用する。
  論文  参考訳（メタデータ） (2024-09-27T17:59:42Z)
• Overhead Line Defect Recognition Based on Unsupervised Semantic Segmentation [8.672676348736834]
  オーバーヘッドラインインスペクションは、可視光画像を用いた欠陥認識の恩恵が大きい。 本稿では,Faster RCNNネットワーク上に構築された新しい欠陥認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T03:52:59Z)
• Incremental Image Labeling via Iterative Refinement [4.7590051176368915]
  特に、意味ギャップ問題の存在は、画像から抽出した情報とその言語的記述との間に、多対多のマッピングをもたらす。 この避けられないバイアスにより、現在のコンピュータビジョンタスクのパフォーマンスはさらに低下する。 我々は、ラベリングプロセスを駆動するガイドラインを提供するために、知識表現(KR)ベースの方法論を導入する。
  論文  参考訳（メタデータ） (2023-04-18T13:37:22Z)
• Transforming the Interactive Segmentation for Medical Imaging [34.57242805353604]
  本研究の目的は,人間のパフォーマンスに遅れる難易度の高い構造物の自動セグメンテーションをインタラクティブに洗練することである。 対話型(TIS)のための新しいトランスフォーマーアーキテクチャを提案する。 提案アーキテクチャはトランスフォーマーデコーダの変種で構成されており,アテンション機構と機能比較を自然に行う。
  論文  参考訳（メタデータ） (2022-08-20T03:28:23Z)
• Visual Recognition by Request [111.94887516317735]
  視覚認識のためのアノテーションと評価の新しいプロトコルを提案する。 すべてのターゲット(オブジェクト、部品など)を一度にアノテート/認識するためにラベルやアルゴリズムを必要とせず、代わりに多数の認識命令を発生させ、アルゴリズムは要求によってターゲットを認識する。 CPP と ADE20K という2つの混合注釈付きデータセットに対する認識システムの評価を行い,その有望な学習能力を部分的にラベル付けしたデータから示す。
  論文  参考訳（メタデータ） (2022-07-28T16:55:11Z)
• Semi-supervised Object Detection via Virtual Category Learning [68.26956850996976]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 具体的には、各混乱したサンプルに仮想圏(VC)が割り当てられる。 トレーニングサンプルと仮想カテゴリの間の埋め込み距離を指定することに起因する。
  論文  参考訳（メタデータ） (2022-07-07T16:59:53Z)
• TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
  そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。 提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
  論文  参考訳（メタデータ） (2022-02-17T05:52:18Z)
• A Novel Incremental Learning Driven Instance Segmentation Framework to Recognize Highly Cluttered Instances of the Contraband Items [45.39173572825739]
  本稿では,従来のエンコーダ・デコーダアーキテクチャを拡張して,インスタンス認識セグメンテーションを実現する手法を提案する。 新たな客観的関数は、以前取得した知識を保持することにより、各イテレーションにおけるネットワーク損失を最小限にする。 公開されている2つのX線データセット上での我々のフレームワークの徹底的な評価は、最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-01-07T17:40:37Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Visual Boundary Knowledge Translation for Foreground Segmentation [57.32522585756404]
  視覚境界知識を明示的に考慮したモデルの構築を試みており、未確認カテゴリのセグメンテーションにおけるトレーニングの労力を減らそうとしている。 数十のラベル付きサンプルをガイダンスとして使うだけで、Trans-Netは完全な教師付きメソッドと同等のクローズな結果が得られる。
  論文  参考訳（メタデータ） (2021-08-01T07:10:25Z)
• Towards Novel Target Discovery Through Open-Set Domain Adaptation [73.81537683043206]
  オープンソースドメイン適応(OSDA)は、ターゲットドメインが外部のソースドメインでは観察できない新しいカテゴリのサンプルを含むと考えている。 対象領域に見られるカテゴリを正確に識別し,未知のカテゴリのセマンティクス特性を効果的に回復するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-06T04:22:29Z)

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。