論文の概要: Distillation-based fabric anomaly detection

• arxiv url: http://arxiv.org/abs/2401.02287v1
• Date: Thu, 4 Jan 2024 14:10:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-05 14:58:40.669518
• Title: Distillation-based fabric anomaly detection
• Title（参考訳）: 蒸留による布の異常検出
• Authors: Simon Thomine and Hichem Snoussi
• Abstract要約: 非教師なしテクスチャ異常検出は、多くの産業プロセスにおいて問題となっている。 本稿では, ファブリック欠陥検出のための新しい逆蒸留法を提案する。 当社のアプローチには,高レベルの機能を戦略的に強調する,巧妙な設計選択が伴います。
• 参考スコア（独自算出の注目度）: 4.287890602840307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised texture anomaly detection has been a concerning topic in a vast amount of industrial processes. Patterned textures inspection, particularly in the context of fabric defect detection, is indeed a widely encountered use case. This task involves handling a diverse spectrum of colors and textile types, encompassing a wide range of fabrics. Given the extensive variability in colors, textures, and defect types, fabric defect detection poses a complex and challenging problem in the field of patterned textures inspection. In this article, we propose a knowledge distillation-based approach tailored specifically for addressing the challenge of unsupervised anomaly detection in textures resembling fabrics. Our method aims to redefine the recently introduced reverse distillation approach, which advocates for an encoder-decoder design to mitigate classifier bias and to prevent the student from reconstructing anomalies. In this study, we present a new reverse distillation technique for the specific task of fabric defect detection. Our approach involves a meticulous design selection that strategically highlights high-level features. To demonstrate the capabilities of our approach both in terms of performance and inference speed, we conducted a series of experiments on multiple texture datasets, including MVTEC AD, AITEX, and TILDA, alongside conducting experiments on a dataset acquired from a textile manufacturing facility. The main contributions of this paper are the following: a robust texture anomaly detector utilizing a reverse knowledge-distillation technique suitable for both anomaly detection and domain generalization and a novel dataset encompassing a diverse range of fabrics and defects.
• Abstract（参考訳）: 非教師なしテクスチャ異常検出は、多くの産業プロセスにおいて問題となっている。 パターンテクスチャ検査、特に布地欠陥検出の文脈では、実際に広く使われているユースケースである。 この作業は、様々な色や織物の種類を扱うことを含み、広い範囲の織物を包含する。 色、テクスチャ、欠陥の種類が多様であることを考えると、ファブリック欠陥検出はパターンテクスチャ検査の分野において複雑で困難な問題となる。 本稿では,繊維に似たテクスチャにおける教師なし異常検出の課題に対処するための知識蒸留に基づくアプローチを提案する。 本手法は,最近導入された逆蒸留法を再定義することを目的としており,エンコーダデコーダの設計により,分類器バイアスを緩和し,生徒が異常を再現するのを防ぐことを目的としている。 本研究では, ファブリック欠陥検出の特定のタスクに対する新しい逆蒸留手法を提案する。 当社のアプローチには,高レベルの機能を戦略的に強調する,巧妙な設計選択が伴います。 性能と推論速度の両面で,我々のアプローチの能力を実証するために,mvtec ad, aitex, tildaを含む複数のテクスチャデータセットについて実験を行い,繊維製造施設から取得したデータセットについて実験を行った。 本論文の主な貢献は, 異常検出と領域一般化の両方に適した逆知識蒸留技術を利用した強固なテクスチャ異常検出法と, 多様な布地や欠陥を包含する新しいデータセットである。

関連論文リスト

• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• CSE: Surface Anomaly Detection with Contrastively Selected Embedding [4.287890602840307]
  本稿では,目標固有埋め込みに着目した新しい手法を導入することにより,事前学習した特徴に基づくアプローチを再検討する。 テクスチャの最も顕著な特徴を考察するために, 人工的に生成された欠陥サンプルと異常のないサンプルの両方を組み込んだ, コントラスト訓練法を応用した。
  論文  参考訳（メタデータ） (2024-03-04T09:15:55Z)
• Assaying on the Robustness of Zero-Shot Machine-Generated Text Detectors [57.7003399760813]
  先進的なLarge Language Models (LLMs) とその特殊な変種を探索し、いくつかの方法でこの分野に寄与する。 トピックと検出性能の間に有意な相関関係が発見された。 これらの調査は、様々なトピックにまたがるこれらの検出手法の適応性と堅牢性に光を当てた。
  論文  参考訳（メタデータ） (2023-12-20T10:53:53Z)
• 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)
• FABLE : Fabric Anomaly Detection Automation Process [4.243356707599485]
  産業における教師なしの異常は、ハイパフォーマンスな産業自動化プロセスのための話題と足掛かりとなっている。 本稿では,工業布地質欠陥検出のための特異性学習プロセスによる自動化プロセスを提案する。
  論文  参考訳（メタデータ） (2023-06-16T13:35:46Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Efficient Anomaly Detection Using Self-Supervised Multi-Cue Tasks [2.9237210794416755]
  異なる視覚的手がかりに焦点をあてる新しい識別的・生成的タスクを導入する。 そこで本研究では,新しい分布検出機能を提案し,その安定性を他の分布検出方法と比較した。 我々のモデルは、これらの自己教師型タスクを用いて、高度に識別可能な特徴をより正確に学習することができる。
  論文  参考訳（メタデータ） (2021-11-24T09:54:50Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• 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)
• Automatic Defect Detection of Print Fabric Using Convolutional Neural Network [0.0]
  画像処理と機械学習技術を用いた自動欠陥検出システムに関する現代の研究は異なっている。 研究チームは、織り中にリアルタイムな欠陥検出システムを構築することもできた。 この研究は、プリントファブリックデータベースを開発し、深い畳み込みニューラルネットワークを実装することで、このギャップを埋めた。
  論文  参考訳（メタデータ） (2021-01-03T20:56:56Z)
• VideoForensicsHQ: Detecting High-quality Manipulated Face Videos [77.60295082172098]
  偽造検知器の性能は、人間の目で見られる人工物の存在にどのように依存するかを示す。 前例のない品質の顔ビデオ偽造検出のための新しいベンチマークデータセットを導入する。
  論文  参考訳（メタデータ） (2020-05-20T21:17:43Z)

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。