論文の概要: Generative Model-Driven Synthetic Training Image Generation: An Approach
to Cognition in Rail Defect Detection
- arxiv url: http://arxiv.org/abs/2401.00393v1
- Date: Sun, 31 Dec 2023 04:34:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 17:43:28.155084
- Title: Generative Model-Driven Synthetic Training Image Generation: An Approach
to Cognition in Rail Defect Detection
- Title（参考訳）: 生成モデル駆動合成学習画像生成:レール欠陥検出における認識へのアプローチ
- Authors: Rahatara Ferdousi, Chunsheng Yang, M. Anwar Hossain, Fedwa Laamarti,
M. Shamim Hossain, Abdulmotaleb El Saddik
- Abstract要約: 本研究では,VAEを用いたレール欠陥の合成画像生成手法を提案する。
カナダ太平洋鉄道(Canadian Pacific Railway)の合成データセットを作成するために用いられる。
500の合成サンプルが生成され、最小の復元損失は0.021である。
- 参考スコア（独自算出の注目度）: 12.584718477246382
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in cognitive computing, with the integration of deep
learning techniques, have facilitated the development of intelligent cognitive
systems (ICS). This is particularly beneficial in the context of rail defect
detection, where the ICS would emulate human-like analysis of image data for
defect patterns. Despite the success of Convolutional Neural Networks (CNN) in
visual defect classification, the scarcity of large datasets for rail defect
detection remains a challenge due to infrequent accident events that would
result in defective parts and images. Contemporary researchers have addressed
this data scarcity challenge by exploring rule-based and generative data
augmentation models. Among these, Variational Autoencoder (VAE) models can
generate realistic data without extensive baseline datasets for noise modeling.
This study proposes a VAE-based synthetic image generation technique for rail
defects, incorporating weight decay regularization and image reconstruction
loss to prevent overfitting. The proposed method is applied to create a
synthetic dataset for the Canadian Pacific Railway (CPR) with just 50 real
samples across five classes. Remarkably, 500 synthetic samples are generated
with a minimal reconstruction loss of 0.021. A Visual Transformer (ViT) model
underwent fine-tuning using this synthetic CPR dataset, achieving high accuracy
rates (98%-99%) in classifying the five defect classes. This research offers a
promising solution to the data scarcity challenge in rail defect detection,
showcasing the potential for robust ICS development in this domain.
- Abstract（参考訳）: 近年の認知コンピューティングの進歩は、ディープラーニング技術の統合によって、インテリジェント認知システム(ics)の開発を促進している。
これは、ICSが欠陥パターンの画像データの人間的な解析をエミュレートするレール欠陥検出の文脈で特に有用である。
視覚的欠陥分類における畳み込みニューラルネットワーク(CNN)の成功にもかかわらず、レール欠陥検出のための大規模なデータセットの不足は、部品や画像に欠陥をもたらすような事故が頻発することによる課題である。
現代の研究者は、ルールベースおよび生成データ拡張モデルを調べることで、このデータ不足に対処している。
これらのうち、変動オートエンコーダ(VAE)モデルは、ノイズモデリングのための広範なベースラインデータセットなしで現実的なデータを生成することができる。
本研究では, レール欠陥に対するVAEを用いた合成画像生成手法を提案する。
提案手法を用いて,カナダ太平洋鉄道 (CPR) の合成データセットを5つのクラスに50個の実サンプルで作成する。
驚くべきことに、500個の合成サンプルが生成され、最小の再構成損失は0.021である。
ビジュアルトランスフォーマー(ViT)モデルは、この合成CPRデータセットを使用して微調整を行い、5つの欠陥クラスの分類において高い精度(98%～99%)を達成した。
この研究は、レール欠陥検出におけるデータ不足問題に対する有望な解決策を提供し、この分野における堅牢なICS開発の可能性を示している。
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) - Scalable AI Framework for Defect Detection in Metal Additive Manufacturing [2.303463009749888]
我々は、畳み込みニューラルネットワーク(CNN)を利用してプリント層の熱画像を分析し、これらの特性に影響を与える異常を自動的に識別する。
我々はこれらのモデルをCLoud ADditive Manufacturing (CLADMA)モジュールに統合し、AMアプリケーションのアクセシビリティと実用性を向上させる。
論文 参考訳（メタデータ） (2024-11-01T18:17:59Z) - Synthetic Image Learning: Preserving Performance and Preventing Membership Inference Attacks [5.0243930429558885]
本稿では,下流分類器の学習のための合成データの生成と利用を最適化するパイプラインである知識リサイクル(KR)を紹介する。
このパイプラインの核心は生成的知識蒸留(GKD)であり、情報の品質と有用性を大幅に向上させる技術が提案されている。
その結果、実データと合成データでトレーニングされたモデルと、実データでトレーニングされたモデルとの性能差が著しく低下した。
論文 参考訳（メタデータ） (2024-07-22T10:31:07Z) - TSynD: Targeted Synthetic Data Generation for Enhanced Medical Image Classification [0.011037620731410175]
この研究は、生成モデルを誘導し、高い不確実性でデータを合成することを目的としている。
最適化プロセスによりオートエンコーダの特徴空間を変更する。
我々は,複数の分類タスクに対するテスト時間データ拡張と敵攻撃に対する堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-06-25T11:38:46Z) - Identifying and Mitigating Model Failures through Few-shot CLIP-aided
Diffusion Generation [65.268245109828]
本稿では,突発的相関に付随する障害モードのテキスト記述を生成するためのエンドツーエンドフレームワークを提案する。
これらの記述は拡散モデルのような生成モデルを用いて合成データを生成するのに使うことができる。
本実験では, ハードサブポピュレーションの精度(sim textbf21%$)が著しく向上した。
論文 参考訳（メタデータ） (2023-12-09T04:43:49Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳（メタデータ） (2023-10-11T15:21:40Z) - Defect Classification in Additive Manufacturing Using CNN-Based Vision
Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。
これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文 参考訳（メタデータ） (2023-07-14T14:36:58Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。
我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。
CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2021-05-18T15:13:00Z) - STAN: Synthetic Network Traffic Generation with Generative Neural Models [10.54843182184416]
本稿では,現実的な合成ネットワークトラフィックデータセットを生成するためのSTAN(Synthetic Network Traffic Generation with Autoregressive Neural Model)を提案する。
私たちの新しいニューラルアーキテクチャは、常に属性間の時間的依存関係と依存の両方をキャプチャします。
我々は、シミュレーションデータセットと実ネットワークトラフィックデータセットの両方で、STANの性能を、データの品質の観点から評価する。
論文 参考訳（メタデータ） (2020-09-27T04:20:02Z)
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。