論文の概要: Autoencoder-assisted Feature Ensemble Net for Incipient Faults

• arxiv url: http://arxiv.org/abs/2404.13941v1
• Date: Mon, 22 Apr 2024 07:34:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 14:55:25.831725
• Title: Autoencoder-assisted Feature Ensemble Net for Incipient Faults
• Title（参考訳）: 初期故障に対するオートエンコーダ支援機能アンサンブルネット
• Authors: Mingxuan Gao, Min Wang, Maoyin Chen,
• Abstract要約: Autoencoder-assisted Feature Ensemble Net (AE-FENet)は、教師なしのオートエンコーダを使用して機能変換を行うディープ機能アンサンブルフレームワークである。 AE-FENetはテネシー・イーストマン・プロセス(TEP)における断層3, 9, 15の最先端平均精度を96%以上達成している
• 参考スコア（独自算出の注目度）: 3.5871858469300677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has shown the great power in the field of fault detection. However, for incipient faults with tiny amplitude, the detection performance of the current deep learning networks (DLNs) is not satisfactory. Even if prior information about the faults is utilized, DLNs can't successfully detect faults 3, 9 and 15 in Tennessee Eastman process (TEP). These faults are notoriously difficult to detect, lacking effective detection technologies in the field of fault detection. In this work, we propose Autoencoder-assisted Feature Ensemble Net (AE-FENet): a deep feature ensemble framework that uses the unsupervised autoencoder to conduct the feature transformation. Compared with the principle component analysis (PCA) technique adopted in the original Feature Ensemble Net (FENet), autoencoder can mine more exact features on incipient faults, which results in the better detection performance of AE-FENet. With same kinds of basic detectors, AE-FENet achieves a state-of-the-art average accuracy over 96% on faults 3, 9 and 15 in TEP, which represents a significant enhancement in performance compared to other methods. Plenty of experiments have been done to extend our framework, proving that DLNs can be utilized efficiently within this architecture.
• Abstract（参考訳）: 深層学習は断層検出の分野で大きな力を示している。 しかし、振幅が小さい初期断層の場合、現在の深層学習ネットワーク(DLN)の検出性能は不十分である。 障害に関する事前情報が利用されたとしても、テネシー州イーストマンプロセス(TEP)では、DLNは障害3, 9, 15を検出することができません。 これらの断層は検出が難しいことで知られており、断層検出の分野では効果的な検出技術が欠如している。 本研究では、教師なしオートエンコーダを用いて機能変換を行うディープ機能アンサンブルフレームワークであるオートエンコーダ支援機能アンサンブルネット(AE-FENet)を提案する。 元々のFeature Ensemble Net(FENet)で採用されていた原則コンポーネント分析(PCA)技術と比較すると、オートエンコーダは初期故障に対してより正確な機能をマイニングできるため、AE-FENetの検出性能が向上する。 同じ種類の基本検出器を用いて、AE-FENetはTEPにおける断層3, 9, 15の96%以上の最先端の平均精度を達成し、他の手法と比較して性能が大幅に向上した。 DLNをこのアーキテクチャ内で効率的に活用できることを証明し、我々のフレームワークを拡張するために多くの実験が行われてきた。

関連論文リスト

• Run-time Monitoring of 3D Object Detection in Automated Driving Systems Using Early Layer Neural Activation Patterns [12.384452095533396]
  自動運転システム(ADS)の統合性監視は安全性を確保する上で最重要である。 近年のディープニューラルネットワーク(DNN)を用いた物体検出装置の進歩,検出誤差への感受性は重要な懸念点である。
  論文  参考訳（メタデータ） (2024-04-11T12:24:47Z)
• Efficient Algorithm Level Error Detection for Number-Theoretic Transform Assessed on FPGAs [2.156170153103442]
  本稿ではNTT乗算におけるアルゴリズムレベルの故障検出手法を提案する。 本研究は, 故障モデルのシミュレーションにより評価し, 結果が正確に反映されていることを確認した。 従来のハードウェア実装と比較して、9%の領域増加と13%のレイテンシ増加で、同等のスループットを実現しています。
  論文  参考訳（メタデータ） (2024-03-02T14:05:56Z)
• Joint Attention-Guided Feature Fusion Network for Saliency Detection of Surface Defects [69.39099029406248]
  本稿では,エンコーダ・デコーダネットワークに基づく表面欠陥検出のための共同注意誘導型特徴融合ネットワーク(JAFFNet)を提案する。 JAFFNetは、主にJAFFモジュールをデコードステージに組み込んで、低レベルと高レベルの機能を適応的に融合させる。 SD- Saliency-900, Magnetic tile, and DAGM 2007 で行った実験から,本手法が他の最先端手法と比較して有望な性能を達成できたことが示唆された。
  論文  参考訳（メタデータ） (2024-02-05T08:10:16Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• 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)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• TinyDefectNet: Highly Compact Deep Neural Network Architecture for High-Throughput Manufacturing Visual Quality Inspection [72.88856890443851]
  TinyDefectNetは、高スループット製造の視覚品質検査に適した、非常にコンパクトな深層畳み込みネットワークアーキテクチャである。 TinyDefectNetはAMD EPYC 7R32上にデプロイされ、ネイティブフロー環境を使って7.6倍のスループット、AMD ZenDNNアクセラレーターライブラリを使って9倍のスループットを達成した。
  論文  参考訳（メタデータ） (2021-11-29T04:19:28Z)
• End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
  エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。 局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。 エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-07T09:14:55Z)
• Learning to Detect Anomalous Wireless Links in IoT Networks [1.0017195276758455]
  リンク層で識別される4種類の無線ネットワーク異常について紹介する。 本研究では、しきい値と機械学習に基づく分類器の性能を調べ、これらの異常を自動的に検出する。 i)選択された教師付きアプローチは0.98以上のF1スコアの異常を検出することができ、一方、教師なしアプローチは平均0.90、ii)OC-SVMは、SuddenDの0.99、SuddenRの0.95、InstaDの0.93でF1スコアの他の教師なしMLアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-08-12T11:03:57Z)
• FT-CNN: Algorithm-Based Fault Tolerance for Convolutional Neural Networks [13.100954947774163]
  畳み込みニューラルネットワーク(CNN)は、多くの分野において困難で重要な問題を解決するためにますます重要になっている。 CNN推論アプリケーションは、高エネルギー粒子や高温、異常電圧によるソフトエラーに悩まされる安全クリティカルなシステムにデプロイされている。 従来のフォールトトレランス法は、エラー訂正符号が計算コンポーネントを保護することができないため、CNNの推論には適さない。
  論文  参考訳（メタデータ） (2020-03-27T02:01:54Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。