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
- A Novel Approach to Industrial Defect Generation through Blended Latent
Diffusion Model with Online Adaptation [10.945145522682902]
本稿では,欠陥サンプルを増大させ,工業的異常検出(AD)性能を向上させる新しいアルゴリズムを提案する。
具体的には、広く知られているMVTec ADデータセットに基づいて、提案手法は、ADの最先端(SOTA)パフォーマンスを、ADメトリクスAP、IAP、IAP90に対してそれぞれ1.5%、1.9%、および3.1%向上させる。
論文 参考訳(メタデータ) (2024-02-29T16:33:12Z) - 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) - Defect Spectrum: A Granular Look of Large-Scale Defect Datasets with
Rich Semantics [29.641334468833886]
Defect Spectrumは、広範囲の産業的欠陥に対して、正確でセマンティックな、そして大規模なアノテーションを提供する包括的なベンチマークである。
4つの重要な産業ベンチマークに基づいて、私たちのデータセットは既存のアノテーションを洗練し、単一のイメージ内の複数の欠陥タイプを識別する、リッチなセマンティックな詳細を導入します。
また、高品質で多様な欠陥画像を作成するために設計された2段階拡散ベースジェネレータであるDefect-Genを紹介する。
論文 参考訳(メタデータ) (2023-10-26T11:23:24Z) - 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) - Few-Shot Defect Image Generation via Defect-Aware Feature Manipulation [19.018561017953957]
そこで本研究では, 難易度の高いいくつかの症例において, 第一の欠陥画像生成法を提案する。
まず、欠陥のない画像をバックボーンとしてデータ効率の良いStyleGAN2をトレーニングする。
第二に、欠陥を意識した残留ブロックを背骨に取り付け、適切な欠陥マスクを生成することを学習する。
論文 参考訳(メタデータ) (2023-03-04T11:43:08Z) - 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) - Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。
実験結果から,これらの手法が直面する課題を分析した。
本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文 参考訳(メタデータ) (2022-03-23T07:33:37Z) - 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) - Self-Diagnosing GAN: Diagnosing Underrepresented Samples in Generative
Adversarial Networks [5.754152248672317]
本研究では,GAN (Generative Adversarial Networks) のトレーニング中に未表現のサンプルを診断し強調する手法を提案する。
本研究では, 下表の試料が平均差が高いか, ばらつきが高いかの観察から, それらの試料を強調する方法を提案する。
実験により,提案手法は各種データセット上でのGAN性能の向上を実証した。
論文 参考訳(メタデータ) (2021-02-24T02:31:50Z) - Computer Vision and Normalizing Flow Based Defect Detection [0.0]
本稿では,オブジェクト検出モデルYOLOとフローベース欠陥検出モデルDifferNetに基づく2段階欠陥検出ネットワークを提案する。
本モデルは,生産ライン監視システムから撮影した実世界のビデオクリップを用いた欠陥検出において,高い堅牢性と性能を有する。
提案モデルでは,単一製品や複数製品の欠陥のない少数のサンプルを学習できる。
論文 参考訳(メタデータ) (2020-12-12T05:38:21Z) - 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。