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/2212.08583v2
- Date: Thu, 3 Aug 2023 03:46:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 17:26:58.082961
- 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: 本稿では3Dプリンティングプロセスにおける欠陥検出のための新しいセミ・シームズ深層学習モデルを提案する。
本モデルは,撮像装置の摂動に対して頑健でありながら,異なる領域からの異種画像の比較を可能にするように設計されている。
われわれのモデルでは、欠陥ローカライズ予測は標準のMacBook Proを使って1層あたり半秒未満で行うことができ、F1スコアは0.9以上である。
- 参考スコア（独自算出の注目度）: 17.176767333354636
- License: http://creativecommons.org/licenses/by-nc-sa/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 defect detection problem 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, precisely identifying the locations of defects of
different types with respect to the reference schematic. Our model is designed
to enable comparison of heterogeneous images from different domains while being
robust against perturbations in the imaging setup such as different camera
angles and illumination. Crucially, we show that our simple architecture, which
is easy to pre-train for enhanced performance on new datasets, outperforms more
complex state-of-the-art approaches based on generative adversarial networks
and transformers. Using our model, defect localization predictions can be made
in less than half a second per layer using a standard MacBook Pro while
achieving an F1-score of more than 0.9, demonstrating the efficacy of using our
method for in-situ defect detection in 3D printing.
- 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,新たな半シアム深層学習モデルを用いて欠陥検出問題にアプローチする。
そして、モデルが画像分割問題を解決し、参照スキーマに関して異なるタイプの欠陥の位置を正確に特定する。
本モデルは,異なる領域の異種画像の比較を可能にするとともに,異なるカメラアングルや照明などの画像設定の摂動に対して頑健であるように設計されている。
重要なことに、我々の単純なアーキテクチャは、新しいデータセットの性能向上のために事前訓練が容易であり、生成的敵ネットワークやトランスフォーマーに基づいて、より複雑な最先端のアプローチより優れています。
本モデルを用いて,標準MacBook Proを用いて1層あたりの欠陥位置推定を半秒未満で行うことができ,F1スコアの0.9以上を達成し,本手法を用いた3Dプリンティングにおける欠陥検出の有効性を示した。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - 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) - 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。