論文の概要: Using Artificial Intelligence for the Automation of Knitting Patterns

• arxiv url: http://arxiv.org/abs/2309.11202v1
• Date: Wed, 20 Sep 2023 10:38:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 16:32:00.664459
• Title: Using Artificial Intelligence for the Automation of Knitting Patterns
• Title（参考訳）: 人工知能を使って編み物パターンの自動化
• Authors: Uduak Uboh
• Abstract要約: Inception ResNet-V2はモデルで使用される主要な特徴抽出と分類アルゴリズムである。 モデル評価の結果は、高いモデル精度、精度、リコール、F1スコアを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Knitting patterns are a crucial component in the creation and design of knitted materials. Traditionally, these patterns were taught informally, but thanks to advancements in technology, anyone interested in knitting can use the patterns as a guide to start knitting. Perhaps because knitting is mostly a hobby, with the exception of industrial manufacturing utilising specialised knitting machines, the use of Al in knitting is less widespread than its application in other fields. However, it is important to determine whether knitted pattern classification using an automated system is viable. In order to recognise and classify knitting patterns. Using data augmentation and a transfer learning technique, this study proposes a deep learning model. The Inception ResNet-V2 is the main feature extraction and classification algorithm used in the model. Metrics like accuracy, logarithmic loss, F1-score, precision, and recall score were used to evaluate the model. The model evaluation's findings demonstrate high model accuracy, precision, recall, and F1 score. In addition, the AUC score for majority of the classes was in the range (0.7-0.9). A comparative analysis was done using other pretrained models and a ResNet-50 model with transfer learning and the proposed model evaluation results surpassed all others. The major limitation for this project is time, as with more time, there might have been better accuracy over a larger number of epochs.
• Abstract（参考訳）: 編み物パターンは編物の作成と設計において重要な要素である。 伝統的にこれらのパターンは非公式に教えられていたが、技術の進歩により編み物に興味のある人は編み物を始めるためのガイドとしてこのパターンを利用することができる。 編み物は主に趣味であり、工業製造で特殊編み物機を使用する以外は、編み物におけるAlの使用は、他の分野よりも広くは使われていない。 しかし,自動システムを用いた編み込みパターン分類が有効かどうかを判断することが重要である。 編み物のパターンを認識し分類するために。 本研究では,データ拡張と伝達学習技術を用いて深層学習モデルを提案する。 Inception ResNet-V2はモデルで使用される主要な特徴抽出と分類アルゴリズムである。 精度,対数損失,F1スコア,精度,リコールスコアなどの指標を用いてモデルの評価を行った。 モデル評価の結果は,高いモデル精度,精度,リコール,F1スコアを示した。 さらに、クラスの大半でAUCスコアは0.7-0.9の範囲であった。 他の事前学習モデルと転送学習を伴うresnet-50モデルを用いて比較分析を行い,提案するモデル評価結果が他を上回った。 このプロジェクトの主な制限は時間であり、より多くの時間とともに、多くのエポックよりも精度が高かったかもしれない。

関連論文リスト

• A Hitchhiker's Guide to Scaling Law Estimation [56.06982415792523]
  スケーリング法則は、より少ないパラメータやより少ないトレーニングセットで訓練が容易なモデルから外挿することで、ターゲットとなる機械学習モデルの損失を予測する。 我々は1000以上のスケーリング法則を推定し、新しいモデルファミリーにおけるスケーリング法則を推定するためのベストプラクティスを導出する。
  論文  参考訳（メタデータ） (2024-10-15T17:59:10Z)
• A Data-Centric Perspective on Evaluating Machine Learning Models for Tabular Data [9.57464542357693]
  実世界のモデリングパイプラインは、しばしばデータセット固有の前処理と特徴工学を必要とするため、モデル中心の評価は偏りがあることを実証する。 Kaggleコンペティションから10の関連するデータセットを選択し、データセット毎に専門家レベルの前処理パイプラインを実装します。 データセット固有の機能エンジニアリングの後、モデルランキングは大幅に変化し、性能差が減少し、モデル選択の重要性が低下する。
  論文  参考訳（メタデータ） (2024-07-02T09:54:39Z)
• Learning to Jump: Thinning and Thickening Latent Counts for Generative Modeling [69.60713300418467]
  ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。 ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
  論文  参考訳（メタデータ） (2023-05-28T05:38:28Z)
• Inter-model Interpretability: Self-supervised Models as a Case Study [0.2578242050187029]
  テキスト・インター・モデル・インタプリタビリティを導入するためのDissectと呼ばれる最近の解釈可能性技術を構築した。 我々は、学習概念の観点から、モデル間の近さを明らかにする学習概念埋め込み空間に、トップパフォーマンスの自己教師型モデル13を投影する。 この実験により、モデルを3つのカテゴリに分類し、異なるタスクが必要とする視覚概念の種類を初めて明らかにしました。
  論文  参考訳（メタデータ） (2022-07-24T22:50:18Z)
• The effects of data size on Automated Essay Scoring engines [0.415623340386296]
  自動エッセイスコアリングエンジンの性能に及ぼすデータサイズと品質の影響について検討する。 この研究は、実運用で使用されるニューラルネットワークのより良いトレーニングデータを確立する方法について、私たちに情報を提供しようとしている。
  論文  参考訳（メタデータ） (2021-08-30T14:39:59Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• On Anytime Learning at Macroscale [33.674452784463774]
  多くの実用的なアプリケーションでは、データが一度に到着するのではなく、時間の経過とともにバッチになる。 欲求予測器は、これらが利用可能になったらすぐにバッチでトレーニングすることで、非自明な予測を生成することができるが、将来のデータの準最適利用も可能かもしれない。 荒々しい予測器は、複数のバッチをより大きなデータセットに集約するのに長い時間を要するが、最終的にははるかに優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2021-06-17T14:45:22Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
  人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。 従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。 本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-01-21T01:46:36Z)
• Do Adversarially Robust ImageNet Models Transfer Better? [102.09335596483695]
  逆向きに堅牢なモデルは、トランスファーラーニングに使用する場合、標準訓練されたモデルよりもよく機能する。 私たちの結果は、ロバストさが機能表現の改善につながるという最近の仮説と一致しています。
  論文  参考訳（メタデータ） (2020-07-16T17:42:40Z)

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。