論文の概要: Synthetic Data Augmentation Using GAN For Improved Automated Visual Inspection

• arxiv url: http://arxiv.org/abs/2212.09317v1
• Date: Mon, 19 Dec 2022 09:31:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 15:10:48.145949
• Title: Synthetic Data Augmentation Using GAN For Improved Automated Visual Inspection
• Title（参考訳）: GANを用いた自動視覚検査のための合成データ拡張
• Authors: Jo\v{z}e M. Ro\v{z}anec, Patrik Zajec, Spyros Theodoropoulos, Erik Koehorst, Bla\v{z} Fortuna, Dunja Mladeni\'c
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.440401067183266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quality control is a crucial activity performed by manufacturing companies to ensure their products conform to the requirements and specifications. The introduction of artificial intelligence models enables to automate the visual quality inspection, speeding up the inspection process and ensuring all products are evaluated under the same criteria. In this research, we compare supervised and unsupervised defect detection techniques and explore data augmentation techniques to mitigate the data imbalance in the context of automated visual inspection. Furthermore, we use Generative Adversarial Networks for data augmentation to enhance the classifiers' discriminative performance. Our results show that state-of-the-art unsupervised defect detection does not match the performance of supervised models but can be used to reduce the labeling workload by more than 50%. Furthermore, the best classification performance was achieved considering GAN-based data generation with AUC ROC scores equal to or higher than 0,9898, even when increasing the dataset imbalance by leaving only 25\% of the images denoting defective products. We performed the research with real-world data provided by Philips Consumer Lifestyle BV.
• Abstract（参考訳）: 品質管理は、製造会社が製品が要件や仕様に合致することを保証するために行う重要な活動である。 人工知能モデルの導入により、視覚品質検査を自動化し、検査プロセスをスピードアップし、すべての製品を同じ基準で評価することができる。 本研究では,教師付きおよび教師なしの欠陥検出手法とデータ拡張手法を比較し,自動視覚検査の文脈におけるデータの不均衡を緩和する。 さらに、データ拡張にはジェネレーティブ・アドバイサル・ネットワークを使用し、分類器の識別性能を向上させる。 その結果,非教師付き欠陥検出は教師付きモデルの性能と一致せず,ラベル付け作業量を50%以上削減できることがわかった。 さらに, 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, 欠陥製品を示す画像の25%しか残さず, データセットの不均衡を増大させた場合でも, 最高の分類性能が得られた。 philips consumer lifestyle bvによる実世界データを用いて研究を行った。

関連論文リスト

• Trimming the Risk: Towards Reliable Continuous Training for Deep Learning Inspection Systems [10.121053770426759]
  産業は、製造検査に深層学習(DL)技術にますます依存している。 有限ラベル付きデータセットは 自然の変化を 包含しないことが多い 我々は,信頼性の高いデータ選択を用いてDLモデルを更新する,頑健なCTベースのメンテナンス手法を開発した。
  論文  参考訳（メタデータ） (2024-09-13T15:02:13Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Imbalanced Data Classification via Generative Adversarial Network with Application to Anomaly Detection in Additive Manufacturing Process [5.225026952905702]
  本稿では, 追加製造プロセスイメージセンサデータを用いたGAN(Generative Adversarial Network)に基づく新しいデータ拡張手法を提案する。 多様性があり高品質な生成されたサンプルは、分類器にバランスの取れたトレーニングデータを提供します。 提案手法の有効性は, オープンソースデータと実世界のケーススタディの両方を用いて, ポリマーおよび金属AMプロセスで検証した。
  論文  参考訳（メタデータ） (2022-10-28T16:08:21Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Active Learning and Approximate Model Calibration for Automated Visual Inspection in Manufacturing [0.415623340386296]
  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。
  論文  参考訳（メタデータ） (2022-09-12T15:00:29Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
  本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。 弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。 これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
  論文  参考訳（メタデータ） (2022-03-22T20:24:21Z)
• 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)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)

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。