論文の概要: Few-Shot Defect Image Generation via Defect-Aware Feature Manipulation
- arxiv url: http://arxiv.org/abs/2303.02389v1
- Date: Sat, 4 Mar 2023 11:43:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 19:54:54.118069
- Title: Few-Shot Defect Image Generation via Defect-Aware Feature Manipulation
- Title(参考訳): 欠陥認識特徴操作によるFew-Shot欠陥画像生成
- Authors: Yuxuan Duan, Yan Hong, Li Niu, Liqing Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 19.018561017953957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The performances of defect inspection have been severely hindered by
insufficient defect images in industries, which can be alleviated by generating
more samples as data augmentation. We propose the first defect image generation
method in the challenging few-shot cases. Given just a handful of defect images
and relatively more defect-free ones, our goal is to augment the dataset with
new defect images. Our method consists of two training stages. First, we train
a data-efficient StyleGAN2 on defect-free images as the backbone. Second, we
attach defect-aware residual blocks to the backbone, which learn to produce
reasonable defect masks and accordingly manipulate the features within the
masked regions by training the added modules on limited defect images.
Extensive experiments on MVTec AD dataset not only validate the effectiveness
of our method in generating realistic and diverse defect images, but also
manifest the benefits it brings to downstream defect inspection tasks. Codes
are available at https://github.com/Ldhlwh/DFMGAN.
- Abstract(参考訳): 欠陥検査の性能は, 産業における欠陥画像の不足によって著しく損なわれ, データの増大に伴い, より多くのサンプルを生成できる。
難易度の低いケースにおいて,最初の欠陥画像生成手法を提案する。
一握りの欠陥画像と、比較的欠陥のない画像を考えると、私たちの目標は、新しい欠陥画像でデータセットを強化することです。
我々の方法は2つの訓練段階からなる。
まず、欠陥のないイメージをバックボーンとして、データ効率のよいStyleGAN2をトレーニングする。
次に, バックボーンに欠陥認識残差ブロックを付加し, 適切な欠陥マスクの生成を学習し, 付加したモジュールを限られた欠陥画像でトレーニングすることにより, マスク領域内の特徴を操作できる。
MVTec ADデータセットの大規模な実験は、現実的で多様な欠陥画像を生成する方法の有効性を検証するだけでなく、下流の欠陥検査タスクにもたらす利点を示す。
コードはhttps://github.com/ldhlwh/dfmganで入手できる。
関連論文リスト
- Toward Robust Imperceptible Perturbation against Unauthorized
Text-to-image Diffusion-based Synthesis [59.988458964353754]
テキストから画像への拡散モデルにより、スキャンされた参照写真からパーソナライズされた画像をシームレスに生成できる。
既存のアプローチは、悪意のある使用から"学習不能"なイメージをレンダリングするために、知覚不可能な方法でユーザーイメージを摂動させる。
メタ学習フレームワークを用いて,バイレベル中毒の問題を解決するメタクラックを提案する。
論文 参考訳(メタデータ) (2023-11-22T03:31:31Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳(メタデータ) (2022-08-05T18:52:20Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Automatic defect segmentation by unsupervised anomaly learning [0.5999777817331318]
我々のセグメンテーションの入力は、候補欠陥領域の走査電子顕微鏡(SEM)画像である。
クリーンな背景画像のデータセットを用いて、欠陥をセグメント化するためにU-net形状ネットワークをトレーニングする。
実験の結果,データセットに欠陥例がないにも関わらず,実際の欠陥を高品質にセグメント化することに成功していることがわかった。
論文 参考訳(メタデータ) (2022-02-07T08:33:36Z) - Reference-based Defect Detection Network [57.89399576743665]
最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。
第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。
本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
論文 参考訳(メタデータ) (2021-08-10T05:44:23Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳(メタデータ) (2021-04-08T19:04:55Z) - Defect-GAN: High-Fidelity Defect Synthesis for Automated Defect
Inspection [34.699695525216185]
Defect-GANは、現実的で多様な欠陥サンプルを生成する自動欠陥合成ネットワークです。
デフェメントと修復プロセスを通じて学習し、デフェメントは通常の表面画像に欠陥を生成する。
また、欠陥のバリエーションを模倣し、生成された欠陥の位置とカテゴリを柔軟に制御できます。
論文 参考訳(メタデータ) (2021-03-28T15:53:34Z) - 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) - Few-Shot Defect Segmentation Leveraging Abundant Normal Training Samples
Through Normal Background Regularization and Crop-and-Paste Operation [4.626338154327536]
産業検査作業では, 欠陥のない画像サンプルが豊富だが, 異常な画像が極めて少ないことが一般的である。
本論文は,正常な(欠陥のない)トレーニングイメージを十分に用いながら,異常な部分しか持たない,難解な少数ショット欠陥分割課題に対処する。
UNetライクなエンコーダ-デコーダ欠陥分割ネットワークのトレーニングに、豊富な欠陥のないイメージを組み込むことにより、2つの効果的な正則化手法を提案する。
論文 参考訳(メタデータ) (2020-07-18T14:15:42Z) - Semi-supervised Anomaly Detection using AutoEncoders [0.0]
異常検出(英: Anomaly detection)とは、通常のデータから際立った異常なインスタンスを見つけるタスクである。
本稿では,異常検出のための畳み込み自動エンコーダアーキテクチャを提案する。
このアプローチは2つのデータセットでテストされ、平均F1スコア0.885を達成しました。
論文 参考訳(メタデータ) (2020-01-06T23:06:28Z)
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。