論文の概要: TransferD2: Automated Defect Detection Approach in Smart Manufacturing
using Transfer Learning Techniques
- arxiv url: http://arxiv.org/abs/2302.13317v1
- Date: Sun, 26 Feb 2023 13:24:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 17:44:34.415761
- Title: TransferD2: Automated Defect Detection Approach in Smart Manufacturing
using Transfer Learning Techniques
- Title（参考訳）: TransferD2:トランスファーラーニング技術を用いたスマートマニュファクチャリングにおける欠陥自動検出手法
- Authors: Atah Nuh Mih, Hung Cao, Joshua Pickard, Monica Wachowicz, Rickey Dubay
- Abstract要約: 本稿では,ソースオブジェクトのデータセット上の欠陥を正確に識別するトランスファー学習手法であるTransferD2を提案する。
提案手法は,モデルのトレーニングに不十分なデータが得られない欠陥検出アプリケーションに適用可能であり,新たな未知データ中の不完全性を特定するために拡張可能である。
- 参考スコア（独自算出の注目度）: 1.8899300124593645
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quality assurance is crucial in the smart manufacturing industry as it
identifies the presence of defects in finished products before they are shipped
out. Modern machine learning techniques can be leveraged to provide rapid and
accurate detection of these imperfections. We, therefore, propose a transfer
learning approach, namely TransferD2, to correctly identify defects on a
dataset of source objects and extend its application to new unseen target
objects. We present a data enhancement technique to generate a large dataset
from the small source dataset for building a classifier. We then integrate
three different pre-trained models (Xception, ResNet101V2, and
InceptionResNetV2) into the classifier network and compare their performance on
source and target data. We use the classifier to detect the presence of
imperfections on the unseen target data using pseudo-bounding boxes. Our
results show that ResNet101V2 performs best on the source data with an accuracy
of 95.72%. Xception performs best on the target data with an accuracy of 91.00%
and also provides a more accurate prediction of the defects on the target
images. Throughout the experiment, the results also indicate that the choice of
a pre-trained model is not dependent on the depth of the network. Our proposed
approach can be applied in defect detection applications where insufficient
data is available for training a model and can be extended to identify
imperfections in new unseen data.
- Abstract（参考訳）: 製品が出荷される前に製品に欠陥があることを特定するため、スマートマニュファクチャリング業界では品質保証が不可欠である。
現代の機械学習技術は、これらの不完全さを迅速かつ正確に検出するために利用できる。
そこで我々は,トランスファー学習手法であるTransferD2を提案し,ソースオブジェクトのデータセット上の欠陥を正しく識別し,そのアプリケーションを新たな未確認対象オブジェクトに拡張する。
本稿では,小ソースデータセットから大容量データセットを生成するためのデータ拡張手法を提案する。
次に3つの異なる事前学習モデル(xception、resnet101v2、inceptionresnetv2)を分類器ネットワークに統合し、ソースデータとターゲットデータのパフォーマンスを比較する。
識別器を用いて,疑似バウンダリングボックスを用いて,未知のターゲットデータに対する不完全性の検出を行う。
その結果、resnet101v2は95.72%の精度でソースデータ上で最高のパフォーマンスを示す。
xceptionは、91.00%の精度でターゲットデータに対して最善を尽くし、ターゲット画像の欠陥をより正確に予測する。
また,実験を通して,事前学習モデルの選択はネットワークの深さに依存しないことを示した。
提案手法は,モデルのトレーニングに不十分なデータが得られない欠陥検出アプリケーションに適用でき,新たな未知データ中の欠陥を識別するために拡張することができる。
関連論文リスト
- A Fresh Take on Stale Embeddings: Improving Dense Retriever Training with Corrector Networks [81.2624272756733]
密集検索では、ディープエンコーダは入力とターゲットの両方に埋め込みを提供する。
我々は、古いキャッシュされたターゲット埋め込みを調整できる小さなパラメトリック補正ネットワークを訓練する。
私たちのアプローチは、トレーニング中にターゲット埋め込み更新が行われなくても、最先端の結果と一致します。
論文 参考訳（メタデータ） (2024-09-03T13:29:13Z) - Estimating Uncertainty with Implicit Quantile Network [0.0]
不確かさの定量化は多くの性能クリティカルなアプリケーションにおいて重要な部分である。
本稿では,アンサンブル学習やベイズニューラルネットワークなど,既存のアプローチに対する簡単な代替手段を提供する。
論文 参考訳（メタデータ） (2024-08-26T13:33:14Z) - Source-Free Test-Time Adaptation For Online Surface-Defect Detection [29.69030283193086]
テスト時間適応型表面欠陥検出手法を提案する。
推論中にトレーニング済みのモデルを新しいドメインやクラスに適応させる。
実験では、最先端の技術よりも優れています。
論文 参考訳（メタデータ） (2024-08-18T14:24:05Z) - 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) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - DiffusionEngine: Diffusion Model is Scalable Data Engine for Object
Detection [41.436817746749384]
Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。
DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
論文 参考訳（メタデータ） (2023-09-07T17:55:01Z) - Combating noisy labels in object detection datasets [0.0]
本稿では,オブジェクト検出データセットにおける各ラベルの品質を評価するためのCLODアルゴリズムを提案する。
欠落した、突発的で、ラベルが間違えた、そして誤配置されたバウンディングボックスを特定し、修正を提案する。
提案手法は, 擬陽性率0.1未満の人工乱れ箱の80%近くを指摘できる。
論文 参考訳（メタデータ） (2022-11-25T10:05:06Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z)
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。