論文の概要: Defect Spectrum: A Granular Look of Large-Scale Defect Datasets with
Rich Semantics
- arxiv url: http://arxiv.org/abs/2310.17316v2
- Date: Mon, 6 Nov 2023 08:22:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 20:02:11.001380
- Title: Defect Spectrum: A Granular Look of Large-Scale Defect Datasets with
Rich Semantics
- Title(参考訳): 欠陥スペクトル: リッチセマンティックスを用いた大規模欠陥データセットの粒度図
- Authors: Shuai Yang, Zhifei Chen, Pengguang Chen, Xi Fang, Shu Liu, Yingcong
Chen
- Abstract要約: Defect Spectrumは、広範囲の産業的欠陥に対して、正確でセマンティックな、そして大規模なアノテーションを提供する包括的なベンチマークである。
4つの重要な産業ベンチマークに基づいて、私たちのデータセットは既存のアノテーションを洗練し、単一のイメージ内の複数の欠陥タイプを識別する、リッチなセマンティックな詳細を導入します。
また、高品質で多様な欠陥画像を作成するために設計された2段階拡散ベースジェネレータであるDefect-Genを紹介する。
- 参考スコア(独自算出の注目度): 29.641334468833886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Defect inspection is paramount within the closed-loop manufacturing system.
However, existing datasets for defect inspection often lack precision and
semantic granularity required for practical applications. In this paper, we
introduce the Defect Spectrum, a comprehensive benchmark that offers precise,
semantic-abundant, and large-scale annotations for a wide range of industrial
defects. Building on four key industrial benchmarks, our dataset refines
existing annotations and introduces rich semantic details, distinguishing
multiple defect types within a single image. Furthermore, we introduce
Defect-Gen, a two-stage diffusion-based generator designed to create
high-quality and diverse defective images, even when working with limited
datasets. The synthetic images generated by Defect-Gen significantly enhance
the efficacy of defect inspection models. Overall, The Defect Spectrum dataset
demonstrates its potential in defect inspection research, offering a solid
platform for testing and refining advanced models.
- Abstract(参考訳): 閉ループ製造システムでは欠陥検査が最重要である。
しかし、欠陥検査のための既存のデータセットは、実際的なアプリケーションに必要な精度とセマンティックな粒度を欠いていることが多い。
本稿では,幅広い産業的欠陥に対して,正確かつ意味的,かつ大規模にアノテーションを提供する総合的なベンチマークである欠陥スペクトラムを紹介する。
4つの主要な産業ベンチマークに基づいて、データセットは既存のアノテーションを洗練し、1つのイメージ内の複数の欠陥タイプを区別して、リッチなセマンティック詳細を導入します。
さらに,限られたデータセットを扱う場合でも,高品質で多様な欠陥画像を生成するように設計された2段階の拡散型生成器である defect-gen を導入する。
欠陥遺伝子によって生成された合成画像は欠陥検査モデルの有効性を著しく向上させる。
全体として、Defect Spectrumデータセットは、欠陥検査研究の可能性を実証し、高度なモデルをテストおよび精錬するための堅固なプラットフォームを提供する。
関連論文リスト
- 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) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - Segment Anything in Defect Detection [38.85728242930962]
DefectSAMは、ノイズの多い熱画像に欠陥を分割するための新しいアプローチである。
既存の最先端セグメンテーションアルゴリズムを超え、欠陥検出率を大幅に改善する。
論文 参考訳(メタデータ) (2023-11-17T00:28:19Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳(メタデータ) (2023-11-13T02:54:17Z) - Anomaly Detection in Automated Fibre Placement: Learning with Data
Limitations [3.103778949672542]
自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。
我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。
様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
論文 参考訳(メタデータ) (2023-07-15T22:13:36Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - Learning to Identify Drilling Defects in Turbine Blades with Single
Stage Detectors [15.842163335920954]
タービンブレードのX線画像における網膜ドリル欠陥に基づくモデルを提案する。
このアプリケーションは、欠陥が非常に小さく、一般的に使用されるアンカーサイズによって捉えられにくい画像解像度のため、難しい。
このモデルを3ドルのクロスバリデーションで検証し,欠陥のある画像の同定に極めて高い精度を示す。
論文 参考訳(メタデータ) (2022-08-08T18:44:51Z) - 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) - 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) - 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 StyleGAN for Disentanglement Learning [79.01988132442064]
現在の解離法は、いくつかの固有の制限に直面している。
半教師付き高分解能ディスタングル学習のためのStyleGANに基づく新しいアーキテクチャと損失関数を設計する。
論文 参考訳(メタデータ) (2020-03-06T22:54:46Z)
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。