論文の概要: Semi-Siamese Network for Robust Change Detection Across Different
Domains with Applications to 3D Printing
- arxiv url: http://arxiv.org/abs/2212.08583v1
- Date: Fri, 16 Dec 2022 17:02:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 15:39:19.973446
- Title: Semi-Siamese Network for Robust Change Detection Across Different
Domains with Applications to 3D Printing
- Title(参考訳): 異なる領域間のロバスト変化検出のためのセミ・シームズネットワークと3次元印刷への応用
- Authors: Yushuo Niu, Ethan Chadwick, Anson W. K. Ma, Qian Yang
- Abstract要約: コンピュータビジョンに基づくプロセス監視の既存の方法は、通常、特定のカメラ視点や照明状況下でのみうまく機能する。
本研究では,新しいセミ・シームズ深層学習モデルを用いて,自動欠陥検出問題にアプローチする。
欠陥ローカライゼーションの予測は標準のMacBookProを使って1層あたり2.75秒で行われた。
- 参考スコア(独自算出の注目度): 17.176767333354636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic defect detection for 3D printing processes, which shares many
characteristics with change detection problems, is a vital step for quality
control of 3D printed products. However, there are some critical challenges in
the current state of practice. First, existing methods for computer
vision-based process monitoring typically work well only under specific camera
viewpoints and lighting situations, requiring expensive pre-processing,
alignment, and camera setups. Second, many defect detection techniques are
specific to pre-defined defect patterns and/or print schematics. In this work,
we approach the automatic defect detection problem differently using a novel
Semi-Siamese deep learning model that directly compares a reference schematic
of the desired print and a camera image of the achieved print. The model then
solves an image segmentation problem, identifying the locations of defects with
respect to the reference frame. Unlike most change detection problems, our
model is specially developed to handle images coming from different domains and
is robust against perturbations in the imaging setup such as camera angle and
illumination. Defect localization predictions were made in 2.75 seconds per
layer using a standard MacBookPro, which is comparable to the typical tens of
seconds or less for printing a single layer on an inkjet-based 3D printer,
while achieving an F1-score of more than 0.9.
- Abstract(参考訳): 変化検出問題と多くの特性を共有できる3dプリントプロセスの欠陥自動検出は、3dプリント製品の品質管理にとって重要なステップである。
しかし、現在の状況にはいくつかの重大な課題がある。
まず、コンピュータビジョンに基づくプロセス監視の既存の方法は、通常、特定のカメラ視点や照明状況下でのみうまく機能し、高価な前処理、アライメント、カメラの設定を必要とする。
第2に、多くの欠陥検出技術は、予め定義された欠陥パターンやプリントスキーマに特化している。
本研究では,所望のプリントの参照図式と達成したプリントのカメラ画像とを直接比較する,新たなセミシャム深層学習モデルを用いて,自動欠陥検出問題に異なるアプローチを行う。
次に、モデルが画像分割問題を解決し、参照フレームに関する欠陥の位置を特定する。
多くの変化検出問題とは異なり、このモデルは異なる領域からの画像を扱うために特別に開発されており、カメラアングルや照明などの撮像装置の摂動に対して堅牢である。
欠陥ローカライゼーション予測は、標準のMacBookProを使って1層あたり2.75秒で行われ、これはインクジェットベースの3Dプリンターで1層を印刷するのに数十秒以下と同等であり、F1スコアは0.9以上である。
関連論文リスト
- Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳(メタデータ) (2024-01-06T07:30:41Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-11-07T23:46:41Z) - The Change You Want to See (Now in 3D) [65.61789642291636]
本稿の目的は、同じ3Dシーンの2つの「野生」画像の間で何が変わったかを検出することである。
我々は,全合成データに基づいて学習し,クラスに依存しない変化検出モデルに貢献する。
我々は,人間に注釈を付けた実世界のイメージペアによる評価データセットを新たにリリースした。
論文 参考訳(メタデータ) (2023-08-21T01:59:45Z) - Reducing False Alarms in Video Surveillance by Deep Feature Statistical
Modeling [16.311150636417256]
我々は, 深部特徴の高次元統計的モデリングに基づいて, 弱教師付きa-コントラリオ検証法を開発した。
実験結果から,提案したa-contrarioバリデーションにより,画素レベルとオブジェクトレベルの偽アラームの回数を大幅に削減できることがわかった。
論文 参考訳(メタデータ) (2023-07-09T12:37:17Z) - RCDN -- Robust X-Corner Detection Algorithm based on Advanced CNN Model [3.580983453285039]
複数の干渉下で入力に対して高いサブピクセル精度を維持することができる新しい検出アルゴリズムを提案する。
アルゴリズム全体は粗い戦略を採用しており、Xコーン検出ネットワークと3つの後処理技術を含んでいる。
実画像および合成画像の評価は,提案アルゴリズムが他の一般的な手法よりも検出率,サブピクセル精度,ロバスト性が高いことを示す。
論文 参考訳(メタデータ) (2023-07-07T10:40:41Z) - Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。
そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
論文 参考訳(メタデータ) (2022-06-20T16:34:11Z) - Learning a Model-Driven Variational Network for Deformable Image
Registration [89.9830129923847]
VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。
登録精度において最先端のディープラーニング手法よりも優れています。
ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
論文 参考訳(メタデータ) (2021-05-25T21:37:37Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳(メタデータ) (2021-04-29T17:49:48Z) - Wide-angle Image Rectification: A Survey [86.36118799330802]
広角画像は、基礎となるピンホールカメラモデルに反する歪みを含む。
これらの歪みを補正することを目的とした画像修正は、これらの問題を解決することができる。
本稿では、異なるアプローチで使用されるカメラモデルについて、詳細な説明と議論を行う。
次に,従来の幾何学に基づく画像修正手法と深層学習法の両方について検討する。
論文 参考訳(メタデータ) (2020-10-30T17:28:40Z) - Print Defect Mapping with Semantic Segmentation [4.189639503810488]
印刷欠陥をピクセルレベルでマップする最初のエンドツーエンドフレームワークを提案する。
我々のフレームワークは畳み込みニューラルネットワーク、特にDeepLab-v3+を使用し、有望な結果を得る。
論文 参考訳(メタデータ) (2020-01-27T22:40:09Z) - A Novel Inspection System For Variable Data Printing Using Deep Learning [0.9176056742068814]
超低偽アラームレート(0.005%)で可変データプリント(VDP)を検査するための新しい手法を提案する。
このシステムは、参照画像と低コストスキャナーによってキャプチャされた画像の2つの画像の比較に基づいている。
論文 参考訳(メタデータ) (2020-01-13T15:07:13Z)
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。