論文の概要: Defect Transfer GAN: Diverse Defect Synthesis for Data Augmentation

• arxiv url: http://arxiv.org/abs/2302.08366v1
• Date: Thu, 16 Feb 2023 15:35:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 13:29:44.561880
• Title: Defect Transfer GAN: Diverse Defect Synthesis for Data Augmentation
• Title（参考訳）: ディフェクトトランスファーGAN:データ拡張のためのディフェクトデフェクト合成
• Authors: Ruyu Wang, Sabrina Hoppe, Eduardo Monari and Marco F. Huber
• Abstract要約: Defect Transfer GAN(DT-GAN)は、さまざまなバックグラウンド製品から独立した欠陥タイプを表現することを学ぶ。 MVTec ADと2つの追加データセットに関する実証研究は、DT-GANが最先端の画像合成法より優れていることを示した。 その結果, DT-GANによる拡張データにより, 少数のサンプル状態においても一貫した利得が得られることがわかった。
• 参考スコア（独自算出の注目度）: 4.559353193715442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-hunger and data-imbalance are two major pitfalls in many deep learning approaches. For example, on highly optimized production lines, defective samples are hardly acquired while non-defective samples come almost for free. The defects however often seem to resemble each other, e.g., scratches on different products may only differ in a few characteristics. In this work, we introduce a framework, Defect Transfer GAN (DT-GAN), which learns to represent defect types independent of and across various background products and yet can apply defect-specific styles to generate realistic defective images. An empirical study on the MVTec AD and two additional datasets showcase DT-GAN outperforms state-of-the-art image synthesis methods w.r.t. sample fidelity and diversity in defect generation. We further demonstrate benefits for a critical downstream task in manufacturing -- defect classification. Results show that the augmented data from DT-GAN provides consistent gains even in the few samples regime and reduces the error rate up to 51% compared to both traditional and advanced data augmentation methods.
• Abstract（参考訳）: data-hungerとdata-imbalanceは、多くのディープラーニングアプローチにおける2つの大きな落とし穴だ。 例えば、高度に最適化された生産ラインでは、欠陥サンプルはほとんど取得されず、非欠陥サンプルはほとんど無償で提供される。 しかしながら、欠陥は互いに似ており、例えば、異なる製品のひっかき傷は、いくつかの特徴においてのみ異なる。 本稿では,様々な背景製品から独立して欠陥タイプを表現することを学ぶとともに,欠陥固有のスタイルを適用して現実的な欠陥画像を生成する,欠陥転送gan(dt-gan)というフレームワークを紹介する。 MVTec ADと2つの追加データセットに関する実証的研究では、DT-GANはサンプルの忠実さや欠陥発生の多様性など、最先端の画像合成法よりも優れていた。 さらに、製造における重要な下流タスク -- 欠陥分類 -- の利点を示す。 その結果,DT-GANによる拡張データにより,少数のサンプル状態においても一貫した利得が得られ,従来のデータ拡張法や高度なデータ拡張法と比較して誤差率を最大51%削減できることがわかった。

関連論文リスト

• Few-shot Defect Image Generation based on Consistency Modeling [1.8029094254659288]
  DefectDiffuは、複数の製品にまたがる欠陥の一貫性をモデル化する、新しいテキスト誘導拡散法である。 DefectDiffuは、世代品質と多様性の点で最先端の手法を超越している。
  論文  参考訳（メタデータ） (2024-08-01T08:29:42Z)
• Utilizing Generative Adversarial Networks for Image Data Augmentation and Classification of Semiconductor Wafer Dicing Induced Defects [0.21990652930491852]
  半導体製造において、ウエハダイシングプロセスは中心的でありながら、収率を著しく損なう欠陥に対して脆弱である。 深層ニューラルネットワーク(Deep Neural Network)は、半自動視覚検査における最先端技術である。 本稿では, 半導体ウェハダイシングによる欠陥の画像データの増大と分類にGAN(Generative Adversarial Network)の適用について検討する。
  論文  参考訳（メタデータ） (2024-07-24T20:44:16Z)
• Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
  データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。 従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。 我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-04T14:28:52Z)
• Diffusion-based Image Generation for In-distribution Data Augmentation in Surface Defect Detection [8.93281936150572]
  産業シナリオにおいて拡散モデルを用いてデータ拡張の手順を改善することができることを示す。 そこで本研究では,アウト・オブ・ディストリビューションとイン・ディストリビューション・サンプルを混合したデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-06-01T17:09:18Z)
• Progressive Alignment with VLM-LLM Feature to Augment Defect Classification for the ASE Dataset [7.1083241462091165]
  従来の欠陥分類アプローチは2つの障壁に直面している。 不十分なトレーニングデータと不安定なデータ品質。 画像上に記録されたリッチなデータ記述を含む,欠陥分類のための特別なデータセットを提案するが,欠陥特徴を直接学習するのは困難である。
  論文  参考訳（メタデータ） (2024-04-08T04:17:27Z)
• 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)
• Fine-Tuning of Continuous-Time Diffusion Models as Entropy-Regularized Control [54.132297393662654]
  拡散モデルは、自然画像やタンパク質のような複雑なデータ分布を捉えるのに優れている。 拡散モデルはトレーニングデータセットの分布を表現するために訓練されるが、私たちはしばしば、生成された画像の美的品質など他の特性にもっと関心を持っている。 本稿では,本フレームワークが真に報酬の高い多種多様なサンプルを効率よく生成できることを示す理論的,実証的な証拠を示す。
  論文  参考訳（メタデータ） (2024-02-23T08:54:42Z)
• Diffusion-Based Adversarial Sample Generation for Improved Stealthiness and Controllability [62.105715985563656]
  そこで本研究では,現実的な対向サンプルを生成するための拡散型射影勾配 Descent (Diff-PGD) という新しいフレームワークを提案する。 我々のフレームワークは、デジタルアタック、物理世界アタック、スタイルベースのアタックなど、特定のタスクに簡単にカスタマイズできる。
  論文  参考訳（メタデータ） (2023-05-25T21:51:23Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
  そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。 我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-05-18T15:13:00Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)

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。