論文の概要: Human-machine knowledge hybrid augmentation method for surface defect detection based few-data learning

• arxiv url: http://arxiv.org/abs/2304.13963v2
• Date: Tue, 2 May 2023 02:04:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-03 16:50:00.798060
• Title: Human-machine knowledge hybrid augmentation method for surface defect detection based few-data learning
• Title（参考訳）: 表面欠陥検出に基づく少数データ学習のためのヒューマンマシン知識ハイブリッド化手法
• Authors: Yu Gong, Xiaoqiao Wang, Chichun Zhou
• Abstract要約: 本稿では,モデルが未知の重要な特徴を抽出するのを助けるために,人間と機械の知識の複合化手法を用いた並列解を提案する。 具体的には、専門家の異常に関する知識を取り入れて、豊富な特徴、位置、サイズ、背景を持つデータを作成することで、スクラッチからすぐに大量のデータを蓄積することができます。 提案手法は,2,5,10,15のトレーニング画像を用いてF1スコアを60.73%,70.82%,77.09%,82.81%とした。
• 参考スコア（独自算出の注目度）: 8.315904879374079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual-based defect detection is a crucial but challenging task in industrial quality control. Most mainstream methods rely on large amounts of existing or related domain data as auxiliary information. However, in actual industrial production, there are often multi-batch, low-volume manufacturing scenarios with rapidly changing task demands, making it difficult to obtain sufficient and diverse defect data. This paper proposes a parallel solution that uses a human-machine knowledge hybrid augmentation method to help the model extract unknown important features. Specifically, by incorporating experts' knowledge of abnormality to create data with rich features, positions, sizes, and backgrounds, we can quickly accumulate an amount of data from scratch and provide it to the model as prior knowledge for few-data learning. The proposed method was evaluated on the magnetic tile dataset and achieved F1-scores of 60.73%, 70.82%, 77.09%, and 82.81% when using 2, 5, 10, and 15 training images, respectively. Compared to the traditional augmentation method's F1-score of 64.59%, the proposed method achieved an 18.22% increase in the best result, demonstrating its feasibility and effectiveness in few-data industrial defect detection.
• Abstract（参考訳）: 視覚に基づく欠陥検出は,産業品質管理において極めて重要な課題である。 ほとんどの主流の手法は、補助情報として大量の既存または関連するドメインデータに依存している。 しかし、実際の工業生産では、タスク要求が急速に変化するマルチバッチで低ボリュームな製造シナリオがしばしばあり、十分かつ多様な欠陥データを得るのが困難である。 本稿では,人間と機械の知識のハイブリッド化手法を用いて,未知の重要な特徴の抽出を支援する並列解を提案する。 具体的には、専門家の異常に関する知識を取り入れて、豊富な特徴、位置、サイズ、背景を持つデータを作成することで、スクラッチから大量のデータを迅速に蓄積し、少数データ学習の事前知識としてモデルに提供することができる。 提案手法は,磁気タイルデータセット上で評価され,2,5,10,15のトレーニング画像を用いて,それぞれ60.73%,70.82%,77.09%,82.81%のf1スコアを達成した。 従来の拡張法F1スコアの64.59%と比較して, 提案法は18.22%向上し, 少数データ産業欠陥検出の可能性と有効性を示した。

関連論文リスト

• Wafer Map Defect Classification Using Autoencoder-Based Data Augmentation and Convolutional Neural Network [4.8748194765816955]
  本研究では、自己エンコーダに基づくデータ拡張技術と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。 提案手法は,ランダムフォレスト,SVM,ロジスティック回帰をそれぞれ19%,21%,27%以上,98.56%の分類精度を達成している。
  論文  参考訳（メタデータ） (2024-11-17T10:19:54Z)
• Training Task Experts through Retrieval Based Distillation [55.46054242512261]
  ReBase(Retrieval Based Distillation)は、まずリッチなオンラインソースからデータを抽出し、それをドメイン固有のデータに変換する手法である。 SQADは最大7.8%,MNLIは1.37%,BigBench-Hardは1.94%向上した。
  論文  参考訳（メタデータ） (2024-07-07T18:27:59Z)
• Self-Supervised Time-Series Anomaly Detection Using Learnable Data Augmentation [37.72735288760648]
  本稿では,学習可能なデータ拡張に基づく時系列異常検出(LATAD)手法を提案する。 LATADは、比較学習を通じて時系列データから識別的特徴を抽出する。 その結果、LATADは最先端の異常検出評価に匹敵する、あるいは改善された性能を示した。
  論文  参考訳（メタデータ） (2024-06-18T04:25:56Z)
• 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)
• Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
  大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。 本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
  論文  参考訳（メタデータ） (2023-11-29T05:33:28Z)
• Multimodal Multi-User Surface Recognition with the Kernel Two-Sample Test [15.051737123188174]
  分類タスクに不均一なデータソースを扱えるフレームワークを提案する。 我々のデータ逆データアプローチは,高次元空間における分布の差分を自動的に定量化する。 我々は108のサーフェスクラスを持つ標準マルチユーザーデータセットで97.2%の精度を達成し、タスクのより難しいバージョンでは最先端の機械学習アルゴリズムを6%上回った。
  論文  参考訳（メタデータ） (2023-03-08T22:58:55Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• A New Knowledge Distillation Network for Incremental Few-Shot Surface Defect Detection [20.712532953953808]
  本稿では,DKAN(Dual Knowledge Align Network)と呼ばれる新しい知識蒸留ネットワークを提案する。 提案したDKAN法は,事前学習型ファインタニング伝達学習パラダイムを踏襲し,ファインタニングのための知識蒸留フレームワークを設計した。 Few-shot NEU-DETデータセットをインクリメンタルに実験した結果、DKANは様々なシーンで他の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-01T15:08:44Z)
• Explored An Effective Methodology for Fine-Grained Snake Recognition [8.908667065576632]
  我々は,様々なメタ情報を活用し,きめ細かい識別を支援するために,強力なマルチモーダルバックボーンを設計する。 ラベルのないデータセットを最大限に活用するために,自己教師付き学習と教師付き学習共同学習を用いる。 本手法は,個人用および公開用データセットにおいて,それぞれ92.7%,89.4%のマクロf1スコアを達成できる。
  論文  参考訳（メタデータ） (2022-07-24T02:19:15Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。