論文の概要: GDDS: A Single Domain Generalized Defect Detection Frame of Open World Scenario using Gather and Distribute Domain-shift Suppression Network
- arxiv url: http://arxiv.org/abs/2407.13417v1
- Date: Thu, 18 Jul 2024 11:40:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 15:40:38.459132
- Title: GDDS: A Single Domain Generalized Defect Detection Frame of Open World Scenario using Gather and Distribute Domain-shift Suppression Network
- Title（参考訳）: GDDS: Gather と Distribute Domain-shift Suppression Network を用いたオープンワールドシナリオの単一ドメイン一般化欠陥検出フレーム
- Authors: Haiyong Chen, Yaxiu Zhang, Yan Zhang, Xin Zhang, Xingwei Yan,
- Abstract要約: 我々はGDDS(Gather and Distribute Domain shift Suppression Network)を提案する。
ベースラインネットワークとしてワンステージネットワークを使用すると、検出精度と速度のバランスをとる。
GDDSは、オープンワールドシナリオにおける欠陥検出に、他の最先端の方法よりも速く、より良く適応することができる。
- 参考スコア（独自算出の注目度）: 4.5898258723189205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient and intelligent surface defect detection of photovoltaic modules is crucial for improving the quality of photovoltaic modules and ensuring the reliable operation of large-scale infrastructure. However, the scenario characteristics of data distribution deviation make the construction of defect detection models for open world scenarios such as photovoltaic manufacturing and power plant inspections a challenge. Therefore, we propose the Gather and Distribute Domain shift Suppression Network (GDDS). It adopts a single domain generalized method that is completely independent of the test samples to address the problem of distribution shift. Using a one-stage network as the baseline network breaks through the limitations of traditional domain generalization methods that typically use two-stage networks. It not only balances detection accuracy and speed but also simplifies the model deployment and application process. The GDDS includes two modules: DeepSpine Module and Gather and Distribute Module. Specifically, the DeepSpine Module applies a wider range of contextual information and suppresses background style shift by acquiring and concatenating multi-scale features. The Gather and Distribute Module collects and distributes global information to achieve cross layer interactive learning of multi-scale channel features and suppress defect instance shift. Furthermore, the GDDS utilizes normalized Wasserstein distance for similarity measurement, reducing measurement errors caused by bounding box position deviations. We conducted a comprehensive evaluation of GDDS on the EL endogenous shift dataset and Photovoltaic inspection infrared image dataset. The experimental results showed that GDDS can adapt to defect detection in open world scenarios faster and better than other state-of-the-art methods.
- Abstract（参考訳）: 太陽光発電モジュールの高効率かつインテリジェントな表面欠陥検出は,太陽光発電モジュールの品質向上と大規模インフラの信頼性確保に不可欠である。
しかし、データ分散逸脱のシナリオ特性は、太陽光発電や発電所検査といったオープンワールドシナリオの欠陥検出モデルの構築を困難にしている。
そこで我々はGDDS(Gather and Distribute Domain shift Suppression Network)を提案する。
分散シフトの問題に対処するため、テストサンプルから完全に独立な単一のドメイン一般化手法を採用する。
1段ネットワークをベースラインネットワークとして使用すると、通常2段ネットワークを使用する従来のドメイン一般化手法の限界を突破する。
検出精度とスピードのバランスを取るだけでなく、モデルのデプロイメントとアプリケーションプロセスの簡略化も行います。
GDDSにはDeepSpine ModuleとGatherとDistribute Moduleの2つのモジュールが含まれている。
具体的には、DeepSpine Moduleは、より広い範囲のコンテキスト情報を適用し、マルチスケール機能を取得して連結することにより、バックグラウンドスタイルのシフトを抑制する。
Gather and Distribute Moduleはグローバルな情報を収集して配布し、マルチスケールチャネル機能の対話的学習と欠陥インスタンスシフトの抑制を行う。
さらに、GDDSは正規化ワッサースタイン距離を類似度測定に利用し、ボックス位置ずれによる測定誤差を低減する。
EL内因性シフトデータセットと太陽光発電検査赤外線画像データセットを用いたGDDSの総合評価を行った。
実験の結果、GDDSは、他の最先端手法よりも、オープンワールドシナリオにおける欠陥検出に迅速に適応できることがわかった。
関連論文リスト
- Bi-temporal Gaussian Feature Dependency Guided Change Detection in Remote Sensing Images [17.674955288033974]
変化検出 (CD) 法は, 多時間画像における領域情報の違いによる疑似変化の解決に依然として苦慮している。
この問題に対処するため、両時間ガウス分布特徴依存ネットワーク(BGFD)を提案する。
BGFDは擬似的変化を効果的に低減し、詳細情報の検出能力を高めた。
論文 参考訳（メタデータ） (2024-10-12T14:01:41Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Two-Stage Adaptive Network for Semi-Supervised Cross-Domain Crater Detection under Varying Scenario Distributions [17.28368878719324]
クロスクレーター検出のための2段階適応ネットワーク(TAN)を提案する。
我々のネットワークはYOLOv5検出器上に構築されており、そこではクロスドメインの一般化能力を高めるために一連の戦略が採用されている。
ベンチマークデータセットによる実験結果から,提案するネットワークは,様々なシナリオ分布下でのクレーター検出の領域適応性を向上できることが示された。
論文 参考訳（メタデータ） (2023-12-11T07:16:49Z) - 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) - Self-supervised Domain-agnostic Domain Adaptation for Satellite Images [18.151134198549574]
このようなドメイン定義なしでドメイン適応を行うための自己教師付きドメイン非依存ドメイン適応(SS(DA)2)手法を提案する。
まず,2つの衛星画像パッチ間で画像と画像の変換を行うために,生成ネットワークのトレーニングを行う。
そして、異なる試験スペクトル特性でトレーニングデータを増強することにより、下流モデルの一般化性を向上させる。
論文 参考訳（メタデータ） (2023-09-20T07:37:23Z) - Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。
既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。
本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文 参考訳（メタデータ） (2023-03-16T17:52:45Z) - Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文 参考訳（メタデータ） (2022-01-06T05:43:01Z) - Transformer-based Network for RGB-D Saliency Detection [82.6665619584628]
RGB-Dサリエンシ検出の鍵は、2つのモードにわたる複数のスケールで情報を完全なマイニングとヒューズすることである。
コンバータは機能融合と機能拡張の両面において高い有効性を示す一様操作であることを示す。
提案するネットワークは,最先端のRGB-D値検出手法に対して良好に動作する。
論文 参考訳（メタデータ） (2021-12-01T15:53:58Z) - Dispensed Transformer Network for Unsupervised Domain Adaptation [21.256375606219073]
本稿では,新しい非教師付き領域適応 (UDA) 方式であるディスペンデントトランスフォーマーネットワーク (DTNet) について述べる。
提案するネットワークは,いくつかの最先端技術と比較して,最高の性能を実現している。
論文 参考訳（メタデータ） (2021-10-28T08:27:44Z) - A One-Shot Texture-Perceiving Generative Adversarial Network for
Unsupervised Surface Inspection [4.6284467350305585]
教師なしスキームで一発の正常画像から学習した階層的テクスチャ知覚生成対向ネットワーク(HTP-GAN)を提案する。
具体的には、HTP-GANは、大域構造と画像の微細な表現を同時に捉えることができる、畳み込み型GANのピラミッドを含んでいる。
本発明の判別器では、方向の畳み込みにより通常の画像の空間的不変表現をキャプチャするためにテクスチャ知覚モジュールが考案される。
論文 参考訳（メタデータ） (2021-06-12T15:05:17Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z)
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。