論文の概要: High-Performance Fine Defect Detection in Artificial Leather Using Dual
Feature Pool Object Detection
- arxiv url: http://arxiv.org/abs/2307.16751v2
- Date: Wed, 16 Aug 2023 01:25:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 16:12:11.347431
- Title: High-Performance Fine Defect Detection in Artificial Leather Using Dual
Feature Pool Object Detection
- Title(参考訳): Dual Feature Pool Object Detection を用いた人工皮革の高性能微細欠陥検出
- Authors: Lin Huang, Weisheng Li, Linlin Shen, Xue Xiao, Suihan Xiao
- Abstract要約: 人工皮革の微細欠陥の特徴から, DFP, IFF, AMP, EOSの4つの革新的な構造が設計された。
これらの進歩により、YOLODという高性能な人工皮革微細欠陥検出モデルが提案された。
YOLODは人工皮革欠陥データセットに優れた性能を示し、YOLOv5と比較してAP_50の11.7%から13.5%の顕著な増加を達成した。
YOLODはまた、一般のMS-COCOデータセットでも顕著なパフォーマンスを示しており、YOLOv5と比較してAPでは0.4%から2.6%増加した。
- 参考スコア(独自算出の注目度): 39.22211120150678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, the structural problems of the YOLOv5 model were analyzed
emphatically. Based on the characteristics of fine defects in artificial
leather, four innovative structures, namely DFP, IFF, AMP, and EOS, were
designed. These advancements led to the proposal of a high-performance
artificial leather fine defect detection model named YOLOD. YOLOD demonstrated
outstanding performance on the artificial leather defect dataset, achieving an
impressive increase of 11.7% - 13.5% in AP_50 compared to YOLOv5, along with a
significant reduction of 5.2% - 7.2% in the error detection rate. Moreover,
YOLOD also exhibited remarkable performance on the general MS-COCO dataset,
with an increase of 0.4% - 2.6% in AP compared to YOLOv5, and a rise of 2.5% -
4.1% in AP_S compared to YOLOv5. These results demonstrate the superiority of
YOLOD in both artificial leather defect detection and general object detection
tasks, making it a highly efficient and effective model for real-world
applications.
- Abstract(参考訳): 本研究では, YOLOv5モデルの構造問題について検討した。
人工皮革の微細欠陥の特徴から, DFP, IFF, AMP, EOSの4つの革新的な構造が設計された。
これらの進歩により、YOLODという高性能な人工皮革微細欠陥検出モデルが提案された。
YOLODは人工皮革欠陥データセットに優れた性能を示し、YLOv5と比較してAP_50は11.7%から13.5%、エラー検出レートは5.2%から7.2%と著しく低下した。
さらに、YOLODは一般のMS-COCOデータセットでも、YOLOv5と比較してAPが0.4%から2.6%増加し、YOLOv5に比べてAP_Sが2.5%上昇した。
これらの結果から, 人工皮革欠陥検出および一般物体検出タスクにおいて, ヨロドの優位性が示され, 実世界の応用に極めて効率的かつ効果的なモデルとなる。
関連論文リスト
- YOLO-TLA: An Efficient and Lightweight Small Object Detection Model
based on YOLOv5 [17.525977065621724]
YOLO-TLAは、YOLOv5上に構築された高度な物体検出モデルである。
まず、ネックネットワークピラミッドアーキテクチャにおいて、小さなオブジェクトに対する検出層を新たに導入する。
このモジュールはスライディングウィンドウの特徴抽出を使い、計算要求とパラメータ数の両方を効果的に最小化する。
論文 参考訳(メタデータ) (2024-02-22T05:55:17Z) - Camouflage is all you need: Evaluating and Enhancing Language Model
Robustness Against Camouflage Adversarial Attacks [53.87300498478744]
自然言語処理(NLP)における敵攻撃の意義
本研究は、脆弱性評価とレジリエンス向上という2つの異なる段階において、この課題を体系的に探求する。
結果として、パフォーマンスとロバスト性の間のトレードオフが示唆され、いくつかのモデルは、ロバスト性を確保しながら、同様のパフォーマンスを維持している。
論文 参考訳(メタデータ) (2024-02-15T10:58:22Z) - Retrosynthesis prediction enhanced by in-silico reaction data
augmentation [66.5643280109899]
RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。
3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-01-31T07:40:37Z) - YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。
提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。
YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
論文 参考訳(メタデータ) (2024-01-30T18:59:38Z) - Investigating YOLO Models Towards Outdoor Obstacle Detection For
Visually Impaired People [3.4628430044380973]
7種類のYOLOオブジェクト検出モデルが実装された。
YOLOv8は最高のモデルであることが判明し、その精度は80ドルに達し、よく知られたObstacleデータセットでは68.2%だった。
YOLO-NASは障害物検出作業に最適であることがわかった。
論文 参考訳(メタデータ) (2023-12-10T13:16:22Z) - YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time
Object Detection [80.11152626362109]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。
私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。
私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
論文 参考訳(メタデータ) (2023-08-10T10:12:27Z) - Real-time Strawberry Detection Based on Improved YOLOv5s Architecture
for Robotic Harvesting in open-field environment [0.0]
本研究では, 屋外環境下でイチゴを検出するために, YOLOv5を用いたカスタムオブジェクト検出モデルを提案する。
最も高い平均精度は80.3%であり、提案されたアーキテクチャを用いて達成された。
このモデルは、リアルタイムのイチゴ検出とロボットピッキングのローカライズに十分高速である。
論文 参考訳(メタデータ) (2023-08-08T02:28:48Z) - DeepSeaNet: Improving Underwater Object Detection using EfficientDet [0.0]
このプロジェクトでは、注釈付き水中データセット上で様々な物体検出モデルを実装し、評価する。
このデータセットは、Limfjorden水中で捕獲された魚、カニ、ヒトデ、その他の水生動物の注釈画像からなる。
I compare the results of YOLOv3 (31.10% mean Average Precision (mAP)), YOLOv4 (83.72% mAP), YOLOv5 (97.6%), YOLOv8 (98.20%), EfficientDet (98.56% mAP) and Detectron2 (95.20% mAP) on the same dataset。
論文 参考訳(メタデータ) (2023-05-26T13:41:35Z) - Automatic Cattle Identification using YOLOv5 and Mosaic Augmentation: A
Comparative Analysis [2.161241370008739]
園内の牛を識別するためのYOLOv5モデルについて検討した。
牛の銃口のパターンは、人間の指紋のようなユニークな生体認証ソリューションである。
論文 参考訳(メタデータ) (2022-10-21T13:13:40Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳(メタデータ) (2022-04-05T16:29:49Z)
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。