論文の概要: Find the Assembly Mistakes: Error Segmentation for Industrial Applications

• arxiv url: http://arxiv.org/abs/2408.12945v1
• Date: Fri, 23 Aug 2024 09:51:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 15:30:07.877558
• Title: Find the Assembly Mistakes: Error Segmentation for Industrial Applications
• Title（参考訳）: 組立ミスの発見:産業応用におけるエラーセグメンテーション
• Authors: Dan Lehman, Tim J. Schoonbeek, Shao-Hsuan Hung, Jacek Kustra, Peter H. N. de With, Fons van der Sommen,
• Abstract要約: 我々は,(正しい)意図したアセンブリ状態とテストイメージの差を検出することによって,アセンブリエラーをローカライズするStateDiffNetを提案する。 提案手法は,実際のエゴ中心のビデオデータから得られたアセンブリエラーを,トレーニング中に提示されない状態とエラータイプの両方に対して正しくローカライズする手法である。
• 参考スコア（独自算出の注目度）: 6.6512300549196235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recognizing errors in assembly and maintenance procedures is valuable for industrial applications, since it can increase worker efficiency and prevent unplanned down-time. Although assembly state recognition is gaining attention, none of the current works investigate assembly error localization. Therefore, we propose StateDiffNet, which localizes assembly errors based on detecting the differences between a (correct) intended assembly state and a test image from a similar viewpoint. StateDiffNet is trained on synthetically generated image pairs, providing full control over the type of meaningful change that should be detected. The proposed approach is the first to correctly localize assembly errors taken from real ego-centric video data for both states and error types that are never presented during training. Furthermore, the deployment of change detection to this industrial application provides valuable insights and considerations into the mechanisms of state-of-the-art change detection algorithms. The code and data generation pipeline are publicly available at: https://timschoonbeek.github.io/error_seg.
• Abstract（参考訳）: 組立および保守手順における誤りの認識は、作業効率を高め、計画外のダウンタイムを防ぐことができるため、産業アプリケーションにとって重要である。 アセンブリ状態認識が注目されているが、現在の研究はアセンブリエラーのローカライゼーションを調査していない。 そこで本研究では,(正しく)意図したアセンブリ状態とテストイメージとの差を検出することで,アセンブリエラーをローカライズするStateDiffNetを提案する。 StateDiffNetは合成生成されたイメージペアに基づいてトレーニングされており、検出すべき意味のある変更のタイプを完全にコントロールする。 提案手法は,実際のエゴ中心のビデオデータから得られたアセンブリエラーを,トレーニング中に提示されない状態とエラータイプの両方に対して正しくローカライズする手法である。 さらに、この産業アプリケーションへの変更検出の展開は、最先端の変更検出アルゴリズムのメカニズムに関する貴重な洞察と考察を提供する。 コードとデータ生成パイプラインは、https://timschoonbeek.github.io/error_seg.comで公開されている。

関連論文リスト

• Supervised Representation Learning towards Generalizable Assembly State Recognition [5.852028557154309]
  アセンブリ状態認識は、アセンブリ手順の実行を促進し、効率の向上とエラーの最小化のためのフィードバックを提供する。 本稿では、表現学習と新たな中間状態情報損失関数修正(ISIL)に基づくアプローチを提案する。 ISILは、状態間のラベルのない遷移を活用し、クラスタリングと分類性能の大幅な改善を示す。
  論文  参考訳（メタデータ） (2024-08-21T15:24:40Z)
• 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)
• A Deep Dive into Large Language Models for Automated Bug Localization and Repair [12.756202755547024]
  大規模言語モデル(LLM)は、自動プログラム修復(APR)など、様々なソフトウェアエンジニアリングタスクにおいて顕著な効果を示している。 本研究では,LSMを用いた自動バグ修正について深く検討する。 異なるLLMを用いてバグの局所化と修正を分離することにより、多様なコンテキスト情報の効果的な統合が可能になる。 Toggleは、CodeXGLUEコード改善ベンチマークで、新しい最先端(SOTA)パフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-04-17T17:48:18Z)
• PREGO: online mistake detection in PRocedural EGOcentric videos [49.72812518471056]
  自己中心型ビデオにおける誤り検出のための,最初のオンライン一級分類モデルであるPregoを提案する。 PreGOは、現在のアクションをモデル化するオンラインアクション認識コンポーネントと、次のアクションを予測するシンボリック推論モジュールに基づいている。 手続き的誤り検出のオンラインベンチマークに適応する2つの手続き的自己中心型ビデオデータセットであるAmbly101とEpic-tentについてPreGOを評価した。
  論文  参考訳（メタデータ） (2024-04-02T13:27:28Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• 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)
• Uncertainty for Identifying Open-Set Errors in Visual Object Detection [31.533136658421892]
  GMM-Detは、オブジェクト検出器から不確実性を抽出し、オープンセットエラーを識別および拒否するリアルタイムの方法である。 GMM-Detは、オープンセット検出を識別および拒否するための既存の不確実性技術に一貫して勝ることを示す。
  論文  参考訳（メタデータ） (2021-04-03T07:12:31Z)
• End-to-End Object Detection with Transformers [88.06357745922716]
  本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。 我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。 この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
  論文  参考訳（メタデータ） (2020-05-26T17:06:38Z)

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。