Fugu-MT 論文翻訳(概要): MN-pair Contrastive Damage Representation and Clustering for Prognostic Explanation

論文の概要: MN-pair Contrastive Damage Representation and Clustering for Prognostic Explanation

arxiv url: http://arxiv.org/abs/2301.06077v1
Date: Sun, 15 Jan 2023 11:56:32 GMT
ステータス: 処理完了
システム内更新日: 2023-01-18 17:20:08.186271
Title: MN-pair Contrastive Damage Representation and Clustering for Prognostic Explanation
Title（参考訳）: 予後説明のためのMN対トラスト損傷表現とクラスタリング
Authors: Takato Yasuno, Masahiro Okano, Junichiro Fujii
Abstract要約: 埋込2次元縮小空間上の密度に基づくクラスタリングを用いて,損傷表現を学習し,より詳細なクラスタを識別するパイプラインを提案する。本手法は, 鋼製品欠陥, デッキおよび舗装のコンクリートひび割れ, 下水道管欠陥などの3つの実験的研究に対して実証した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: It is critical for infrastructure manager to keep the status high-quality for providing the service to users at daily activities. Using surveillance cameras and drone inspection toward the damage feature, there has been progress to automate its inspection toward the grade of health condition whether the deterioration has been changed or not. When we prepare a pair of raw images and damage class labels, it is possible to train supervised learning toward the predefined damage grade, displacement. However, such a damage representation does not always match the predefined classes of damage grade, so there may be some detailed clusters from unseen damage space, or more complex clusters from overlapped space between two damage grades. The damage representation has fundamentally complex feature, so all the damage classes could not be perfectly predefined. Our proposed MN-pair contrastive learning method enable to explore the embedding damage representation beyond the predefined classes including more detailed clusters. This method intends to maximize the similarity of M-1 positive images close to the anchor, and simultaneously to maximize the dissimilarity N-1 negative ones far apart, using both weighting loss function. This MN-pair method has been faster learning than the N-pair algorithm, instead of using one positive image. We propose a pipeline to learn the damage representation and to automate to discriminate more detailed clusters using the density based clustering on the embedding 2-D reduction space. We also visualize the explanation of damage feature using Grad-CAM for MN-pair damage metric learning. We demonstrate our method to three experimental studies such as steel product defect, concrete crack of deck and pavement, and sewer pipe defect. Furthermore, we mention the usefulness of our method and future works to tackle.
Abstract（参考訳）: インフラストラクチャマネージャは、日々の活動でユーザにサービスを提供するために、ステータスを高い品質に保つことが重要です。監視カメラとドローンによる損傷機能検査を用いて、劣化が変化したか否かに関わらず、健康状態の度合いを自動検査する作業が進められている。一対の生画像と損傷クラスラベルを作成すると、教師付き学習を事前定義された損傷グレード、変位に向けて訓練することができる。しかし、そのような損傷表現は、事前に定義された損傷グレードのクラスと必ずしも一致しないので、目に見えない損傷空間からの詳細なクラスターや、2つの損傷グレード間の重なり合う空間からのより複雑なクラスターが存在するかもしれない。損傷表現は基本的に複雑な特徴を持つため、すべての損傷クラスを完全に事前定義することはできない。提案手法により,より詳細なクラスタを含む予め定義されたクラスを超えて,埋没損傷表現を探索することができる。この方法は、アンカーに近いM-1陽性画像の類似性を最大化し、同時に、両重み付け損失関数を用いて、N-1負画像の相似性を極端に最大化する。このMNペア法は,1つの正のイメージを使用するのではなく,Nペアアルゴリズムよりも高速に学習されている。埋込2次元縮小空間上の密度に基づくクラスタリングを用いて,損傷表現を学習し,より詳細なクラスタを識別するパイプラインを提案する。また,MN対損傷距離学習におけるGrad-CAMを用いた損傷特徴の可視化を行った。本手法は, 鋼製品欠陥, デッキおよび舗装のコンクリートひび割れ, 下水道管欠陥などの3つの実験的研究に対して実証した。さらに,本手法の有用性と今後の課題についても述べる。

関連論文リスト

2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
論文参考訳（メタデータ） (2023-11-27T07:57:29Z)
Enhancing Robust Representation in Adversarial Training: Alignment and Exclusion Criteria [61.048842737581865]
対人訓練 (AT) は, 頑健な特徴の学習を省略し, 対人的頑健さの低下を招いた。非対称な負のコントラストと逆の注意によって、頑健な表現を得るためのATの一般的なフレームワークを提案する。 3つのベンチマークデータセットの実証評価により,ATの堅牢性を大幅に向上し,最先端の性能を実現することができた。
論文参考訳（メタデータ） (2023-10-05T07:29:29Z)
SINCERE: Supervised Information Noise-Contrastive Estimation REvisited [5.004880836963827]
これまでの研究では、InfoNCEを拡張して利用可能なクラスラベルから学ぶために、教師付きコントラスト(SupCon)損失が示唆されていた。本稿では,InfoNCE の教師付き拡張として Supervised InfoNCE Revisited (SINCERE) 損失を提案する。実験により、SINCEREは、異なるクラスから埋め込みを分離し、転送学習の分類精度を向上させることが示されている。
論文参考訳（メタデータ） (2023-09-25T16:40:56Z)
Rethinking Image Forgery Detection via Contrastive Learning and Unsupervised Clustering [26.923409536155166]
画像偽造検出のためのFOCAL(FOrensic ContrAstive cLustering)法を提案する。 FOCALは対照的な学習と教師なしクラスタリングに基づいている。その結果、FOCALは最先端の競合アルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2023-08-18T05:05:30Z)
Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文参考訳（メタデータ） (2023-06-01T12:53:10Z)
Curricular Contrastive Regularization for Physics-aware Single Image Dehazing [56.392696439577165]
本研究では, コンセンサス空間を対象とし, 非コンセンサス空間ではなく, 新規なコントラスト正規化を提案する。我々の負は,1)ハズーな画像から,2)既存の手法による対応する復元から,より低い制約を提供することができる。このユニットは、直交的なコントラスト正規化とともに、C2PNetというデハジングネットワークを確立します。
論文参考訳（メタデータ） (2023-03-24T18:18:25Z)
Positive-Negative Equal Contrastive Loss for Semantic Segmentation [8.664491798389662]
従来の作業では、グローバルコンテキストを効果的に抽出し集約するために、プラグアンドプレイモジュールと構造的損失を設計するのが一般的だった。そこで我々は, 正負の負の正の負の負の正の負の正の負の正の負の負の負の正の負の負の正の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の負の総合的な実験を行い、2つのベンチマークデータセット上で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-07-04T13:51:29Z)
Contrastive Embedding Distribution Refinement and Entropy-Aware Attention for 3D Point Cloud Classification [3.710922682020501]
この作業は、任意のポイントクラウド分類ネットワークに組み込むことができる対照的な学習アプローチを通じて、強力な表現を学ぶための新しい戦略を提供する。本手法は実世界のScanObjectNNデータセットにおいて82.9%の精度を実現し,DCGNNでは2.9%,PointNet++では3.1%,GBNetでは2.4%の大幅な性能向上を実現した。
論文参考訳（メタデータ） (2022-01-27T09:10:28Z)
Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
論文参考訳（メタデータ） (2021-07-24T15:36:49Z)
Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文参考訳（メタデータ） (2021-06-20T17:34:55Z)
ByzShield: An Efficient and Robust System for Distributed Training [12.741811850885309]
本研究では、敵が労働者の勾配の割り当てについて十分な知識を持つような全知的な攻撃モデルについて考察する。冗長性に基づくByzShield法は,作業者へのタスクの割り当てにバイパートイト展開グラフの特性を利用する。 CIFAR-10データセットで画像分類を行った結果,ByzShieldの精度は20%向上した。
論文参考訳（メタデータ） (2020-10-10T04:41:53Z)

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。