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/2301.06077v3
Date: Sun, 26 Mar 2023 06:04:43 GMT
ステータス: 処理完了
システム内更新日: 2023-03-29 00:52:22.776266
Title: MN-Pair Contrastive Damage Representation and Clustering for Prognostic Explanation
Title（参考訳）: 予後説明のためのMN-Pairコン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: 提案手法は, 予め定義されたクラスを超えて, 埋込み損傷表現を探索するのに役立つ。 1つの正のイメージを用いてNペアアルゴリズムよりも高速に学習する。本手法は, 鋼製品欠陥, コンクリートひび割れ, およびその有効性の3つの実験的研究で実証された。
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: For infrastructure inspections, damage representation does not constantly match the predefined classes of damage grade, resulting in detailed clusters of unseen damages or more complex clusters from overlapped space between two grades. The damage representation has fundamentally complex features; consequently, not all the damage classes can be perfectly predefined. The proposed MN-pair contrastive learning method helps to explore an embedding damage representation beyond the predefined classes by including more detailed clusters. It maximizes both the similarity of M-1 positive images close to an anchor and dissimilarity of N-1 negative images using both weighting loss functions. It learns faster than the N-pair algorithm using one positive image. We proposed a pipeline to obtain the damage representation and used a density-based clustering on a 2-D reduction space to automate finer cluster discrimination. We also visualized the explanation of the damage feature using Grad-CAM for MN-pair damage metric learning. We demonstrated our method in three experimental studies: steel product defect, concrete crack, and the effectiveness of our method and discuss future works.
Abstract（参考訳）: インフラストラクチャー検査では、損傷表現は事前に定義された損傷グレードのクラスと常に一致しないため、2グレード間の重なり合う空間から、目に見えない損傷の詳細なクラスタやより複雑なクラスタが生成される。損傷表現は基本的に複雑な特徴を持ち、従って全ての損傷クラスが完全に事前定義できるわけではない。提案するmn-pairコントラスト学習手法は,より詳細なクラスタを含むことにより,事前定義されたクラスを越えて組込み損傷表現を探索するのに役立つ。アンカーに近いM-1陽性画像の類似性と、重み付け損失関数の両方を用いてN-1負画像の相似性を最大化する。 1つの正のイメージを用いてNペアアルゴリズムよりも高速に学習する。損傷表現を得るパイプラインを提案し,2次元還元空間上の密度ベースクラスタリングを用いてクラスタ識別の高精度化を行った。また,MN対損傷距離学習のための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, コンクリートのひび割れ, 方法の有効性の3つの実験的研究で実証し, 今後の課題について考察した。

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。