論文の概要: Self-Supervised Iterative Refinement for Anomaly Detection in Industrial Quality Control

• arxiv url: http://arxiv.org/abs/2408.11561v1
• Date: Wed, 21 Aug 2024 12:15:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-22 17:07:27.274989
• Title: Self-Supervised Iterative Refinement for Anomaly Detection in Industrial Quality Control
• Title（参考訳）: 産業品質管理における異常検出のための自己監督型反復リファインメント
• Authors: Muhammad Aqeel, Shakiba Sharifi, Marco Cristani, Francesco Setti,
• Abstract要約: イテレーティブ・リファインメント・プロセス(IRP)は産業品質管理のために設計された堅牢な異常検出手法である。 我々は,2つのベンチマークデータセットである Kolektor SDD2 と MVTec AD を用いて,IRP の有効性を検証する。 実験の結果,IRPは従来の異常検出モデルより一貫して優れていた。
• 参考スコア（独自算出の注目度）: 9.132399905884364
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study introduces the Iterative Refinement Process (IRP), a robust anomaly detection methodology designed for high-stakes industrial quality control. The IRP enhances defect detection accuracy through a cyclic data refinement strategy, iteratively removing misleading data points to improve model performance and robustness. We validate the IRP's effectiveness using two benchmark datasets, Kolektor SDD2 (KSDD2) and MVTec AD, covering a wide range of industrial products and defect types. Our experimental results demonstrate that the IRP consistently outperforms traditional anomaly detection models, particularly in environments with high noise levels. This study highlights the IRP's potential to significantly enhance anomaly detection processes in industrial settings, effectively managing the challenges of sparse and noisy data.
• Abstract（参考訳）: 本研究は,産業品質管理のための堅牢な異常検出手法である反復精錬プロセス(IRP)を紹介する。 IRPは、繰り返しデータ精錬戦略により欠陥検出精度を高め、ミスリードデータポイントを反復的に除去し、モデル性能とロバスト性を向上させる。 KSDD2(Kolektor SDD2)とMVTec AD(MVTec AD)の2つのベンチマークデータセットを用いて,ICPの有効性を検証する。 実験結果から,IRPは従来の異常検出モデル,特に高騒音環境において一貫して優れていた。 本研究は、産業環境における異常検出プロセスを大幅に強化するIRPの可能性を強調し、スパースデータとノイズデータの課題を効果的に管理する。

関連論文リスト

• Enhanced Fault Detection and Cause Identification Using Integrated Attention Mechanism [0.3749861135832073]
  本研究では、双方向長短期記憶(BiLSTM)ニューラルネットワークと統合注意機構(IAM)を統合することにより、テネシー・イーストマン・プロセス(TEP)内の障害検出と原因特定のための新しい手法を提案する。 IAMは、スケールドドット製品に対する注意力、残留注意力、動的注意力を組み合わせて、TEP障害検出に不可欠な複雑なパターンや依存関係をキャプチャする。 BiLSTMネットワークはこれらの特徴を双方向に処理して長距離依存関係をキャプチャし、IAMは出力をさらに改善し、故障検出結果が改善された。
  論文  参考訳（メタデータ） (2024-07-31T12:01:57Z)
• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Semi-supervised Anomaly Detection via Adaptive Reinforcement Learning-Enabled Method with Causal Inference for Sensor Signals [15.249261198557218]
  センサ信号の半教師付き異常検出は、スマート製造におけるシステムの信頼性確保に不可欠である。 本稿では,三重補足型因果強化学習モデル(Tri-CRLAD)を革新的に構築する。 7つのセンサ信号データセットに対する実験結果から、Tri-CRLADは9つの最先端のベースライン法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-11T06:10:05Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• ADT: Agent-based Dynamic Thresholding for Anomaly Detection [4.356615197661274]
  本稿では,エージェントベースの動的しきい値処理(ADT)フレームワークを提案する。 本研究では,自動エンコーダを用いて特徴表現を取得し,複雑な入力データに対する異常スコアを生成する。 ADTはオートエンコーダの異常スコアを利用して閾値を適応的に調整することができる。
  論文  参考訳（メタデータ） (2023-12-03T19:07:30Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Synthetic Data Augmentation Using GAN For Improved Automated Visual Inspection [0.440401067183266]
  最先端の教師なし欠陥検出は教師付きモデルの性能と一致しない。 AUC ROCスコアが 0,9898 以上である GAN ベースのデータ生成を考慮し, 最高の分類性能が得られた。
  論文  参考訳（メタデータ） (2022-12-19T09:31:15Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning [3.0100975935933567]
  本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2020-11-12T10:15:56Z)

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。