論文の概要: An Incremental Unified Framework for Small Defect Inspection

• arxiv url: http://arxiv.org/abs/2312.08917v3
• Date: Mon, 23 Sep 2024 04:08:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-09 09:16:50.148791
• Title: An Incremental Unified Framework for Small Defect Inspection
• Title（参考訳）: 小欠陥検査のためのインクリメンタル統一フレームワーク
• Authors: Jiaqi Tang, Hao Lu, Xiaogang Xu, Ruizheng Wu, Sixing Hu, Tong Zhang, Tsz Wa Cheng, Ming Ge, Ying-Cong Chen, Fugee Tsung,
• Abstract要約: Incremental Unified Framework(IUF)を提案し、パイプラインに新しいオブジェクトを継続的に統合する場合に、機能衝突の問題を軽減することができる。 最先端のトランスフォーマーを用いて、異なるセマンティックバウンダリを規定するために、OASA(Object-Aware Self-Attention)を導入する。 本手法は, 動的かつスケーラブルな産業検査に欠かせない, 最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 38.760135052751714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence (AI)-driven defect inspection is pivotal in industrial manufacturing. Yet, many methods, tailored to specific pipelines, grapple with diverse product portfolios and evolving processes. Addressing this, we present the Incremental Unified Framework (IUF), which can reduce the feature conflict problem when continuously integrating new objects in the pipeline, making it advantageous in object-incremental learning scenarios. Employing a state-of-the-art transformer, we introduce Object-Aware Self-Attention (OASA) to delineate distinct semantic boundaries. Semantic Compression Loss (SCL) is integrated to optimize non-primary semantic space, enhancing network adaptability for novel objects. Additionally, we prioritize retaining the features of established objects during weight updates. Demonstrating prowess in both image and pixel-level defect inspection, our approach achieves state-of-the-art performance, proving indispensable for dynamic and scalable industrial inspections. Our code will be released at https://github.com/jqtangust/IUF.
• Abstract（参考訳）: 人工知能(AI)による欠陥検査は工業生産において重要である。 しかし、多くのメソッドは、特定のパイプラインに合わせて、さまざまな製品ポートフォリオと進化するプロセスに対応しています。 これに対応するために、インクリメンタル統一フレームワーク(Incremental Unified Framework, IUF)を提案する。これは、パイプラインに新しいオブジェクトを継続的に統合する場合に、機能衝突の問題を減らすことができ、オブジェクト-インクリメンタルな学習シナリオで有利になる。 最先端のトランスフォーマーを用いて、異なるセマンティックバウンダリを規定するために、OASA(Object-Aware Self-Attention)を導入する。 セマンティック圧縮損失(SCL)は、非プライマリな意味空間を最適化し、新しいオブジェクトに対するネットワーク適応性を向上するために統合されている。 さらに、重み更新時に確立したオブジェクトの特徴を保持することを優先する。 画像レベルの欠陥検査と画素レベルの欠陥検査の両面での進歩を実証するため,本手法は最先端の性能を実現し,動的かつスケーラブルな産業検査に不可欠であることが証明された。 私たちのコードはhttps://github.com/jqtangust/IUF.comでリリースされます。

関連論文リスト

• Dynamic Object Queries for Transformer-based Incremental Object Detection [45.41291377837515]
  インクリメンタルオブジェクト検出は、新しいクラスを逐次学習することを目的としている。 従来の方法論は主に知識の蒸留と模範的な再生を通じて忘れる問題に取り組む。 安定塑性トレードオフを実現するためのモデル表現能力を漸進的に拡張するDyQ-DETRを提案する。
  論文  参考訳（メタデータ） (2024-07-31T15:29:34Z)
• HiRes-LLaVA: Restoring Fragmentation Input in High-Resolution Large Vision-Language Models [96.76995840807615]
  HiRes-LLaVAは、元の文脈情報や幾何学的情報を変更することなく、高解像度入力のサイズを処理するように設計された新しいフレームワークである。 HiRes-LLaVAは、2つの革新的なコンポーネントで構成されている: (i)スライスしたパッチを元の形式に再構築し、ダウンアップサンプリング層と畳み込み層を通じてグローバルとローカルの両方の特徴を効率的に抽出するSliceRestoreアダプタ、(ii)自分自身に基づいてビジョントークンを圧縮するセルフマイニングサンプリング。
  論文  参考訳（メタデータ） (2024-07-11T17:42:17Z)
• DANet: Enhancing Small Object Detection through an Efficient Deformable Attention Network [0.0]
  我々は,より高速なR-CNNと最先端の手法を併用した包括的戦略を提案する。 より高速なR-CNNとFeature Pyramid Networkを組み合わせることで、製造環境に固有のマルチスケール機能を扱うことができる。 変形可能なネット(Deformable Net)は、欠陥の幾何学的バリエーションを歪曲し、従って、極小および複雑な特徴を検出できる精度をもたらす。
  論文  参考訳（メタデータ） (2023-10-09T14:54:37Z)
• Semantic-Constraint Matching Transformer for Weakly Supervised Object Localization [31.039698757869974]
  弱教師付きオブジェクトローカライゼーション(WSOL)は、イメージレベルの監督のみでオブジェクトをローカライズすることを学ぶ。 従来のCNNベースのメソッドは、エンティティのスコープ全体ではなく、オブジェクトの識別部分に集中して、部分的なアクティベーションの問題に悩まされていた。 本稿では,変圧器を用いたセマンティック・制約マッチングネットワーク(SCMN)を提案する。
  論文  参考訳（メタデータ） (2023-09-04T03:20:31Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Scalable Video Object Segmentation with Identification Mechanism [125.4229430216776]
  本稿では,半教師付きビデオオブジェクト(VOS)のスケーラブルで効果的なマルチオブジェクトモデリングを実現する上での課題について検討する。 AOT(Associating Objects with Transformers)とAOST(Associating Objects with Scalable Transformers)の2つの革新的なアプローチを提案する。 当社のアプローチは最先端の競合に勝って,6つのベンチマークすべてにおいて,例外的な効率性とスケーラビリティを一貫して示しています。
  論文  参考訳（メタデータ） (2022-03-22T03:33:27Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• End-to-End Object Detection with Transformers [88.06357745922716]
  本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。 我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。 この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
  論文  参考訳（メタデータ） (2020-05-26T17:06:38Z)

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。